Artículos

IA y el nuevo antibiótico contra las bacterias resistentes

Se ha descubierto una nueva clase de antibióticos que, tanto en laboratorio como en experimentos con ratones, ha demostrado su eficacia contra las cepas de Staphylococcus aureus resistentes a la meticilina, los temidos SARM (Staphylococcus aureus resistente a la meticilina).

Las infecciones causadas por cepas bacterianas MRSA provocan más de 100.000 muertes al año en todo el mundo, por lo que esta noticia ha despertado grandes expectativas y esperanzas. En los últimos 50 años no se ha aprobado ningún antibiótico nuevo contra las bacterias Gram negativas (que tienen paredes celulares finas), y hay que tener en cuenta que las SARM son bacterias Gram positivas, con paredes celulares más gruesas que las Gram negativas.

El descubrimiento de esta nueva clase de antibióticos es el resultado de un estudio publicado en la revista Nature, y se debe a investigadores del MIT (Massachusetts Institute of Technology), que utilizaron algoritmos de Inteligencia Artificial (IA) y, en particular, de «Deep learning» (aprendizaje profundo) para cribar unos 12 millones de compuestos en busca de nuevas moléculas.

Un aspecto sumamente interesante es que los investigadores también consiguieron identificar qué información buscaba la IA, lo que podría resultar crucial para diseñar otros fármacos aún más eficaces que los identificados hasta ahora. Para lograr su objetivo, los científicos modificaron un algoritmo de búsqueda ya existente, el «Monte Carlo tree search», para generar no sólo una estimación de la actividad antibacteriana de cada molécula, sino también una predicción de qué parte del compuesto es responsable de esa propiedad.

Para reducir aún más los fármacos candidatos, los investigadores refinaron la búsqueda entrenando tres modelos adicionales de deep learning para predecir qué compuestos eran tóxicos para tres tipos diferentes de células humanas, con el fin de identificar moléculas que pudieran matar microbios con efectos adversos mínimos en el cuerpo humano. Los investigadores seleccionaron así unas 280 moléculas para probarlas en el laboratorio: dos de ellas, pertenecientes a la misma clase, resultaron especialmente eficaces contra el SARM.

El trabajo experimental reveló que los compuestos parecían matar a las bacterias alterando su capacidad para mantener el Gradiente Electroquímico Transmembrana de Protones, un mecanismo vital fundamental activo en la mitocondria que permite generar potencial electroquímico dentro de la cadena de transporte de electrones. La energía potencial de los protones produce la síntesis final de ATP, las moléculas que las células utilizan para almacenar energía.

Las pruebas experimentales demuestran que la nueva clase de moléculas puede ser activa contra los patógenos Gram-positivos al disipar selectivamente la fuerza motriz de protones en las bacterias. Además, las nuevas moléculas atacan selectivamente las membranas celulares bacterianas, por lo que no causan daños sustanciales a las membranas de las células humanas.

Este modelo de investigación, que se basa en la identificación de subestructuras para diseñar compuestos químicos a partir de cero, abre interesantes perspectivas a los investigadores, que también podrán hacer uso del enfoque «out of the box«, que ha permitido identificar los algoritmos utilizados por la IA en el proceso de selección de nuevas moléculas.

Si te interesa saber más sobre las resistencias bacterianas, echa un vistazo a estos otros artículos:

  1. https://www.oftalmologo.es/interviste/antibioticos-resistencia-y-citotoxicidad/
  2. https://www.oftalmologo.es/articoli/resistencia-antibiotica-el-problema-silencioso-de-salud-publica/

 

BIBLIOGRAFÍA

  1. Wong F, Zheng EJ, Valeri JA, Donghia NM, Anahtar MN, Omori S, Li A, Cubillos-Ruiz A, Krishnan A, Jin W, Manson AL, Friedrichs J, Helbig R, Hajian B, Fiejtek DK, Wagner FF, Soutter HH, Earl AM, Stokes JM, Renner LD, Collins JJ. Discovery of a structural class of antibiotics with explainable deep learning. Nature. 2023 Dec 20. doi: 10.1038/s41586-023-06887-8. Epub ahead of print. PMID: 38123686.