Red neuronal y deep learning para combatir a las bacterias más duras

El aumento de la resistencia de las bacterias a los antibióticos requiere la utilización de nuevas moléculas, como la halicina, descubierta gracias a una red neuronal de aprendizaje profundo.

El abuso de los antibióticos ha hecho que las bacterias cada vez sean más resistentes. Nos encontramos ante la creciente necesidad de desarrollar nuevos fármacos con los que combatirlas y la inteligencia artificial va a ayudarnos mucho en los próximos años.

Éste es el caso de la halicina, una molécula alumbrada gracias al entrenamiento de una red neuronal de aprendizaje profundo. Los responsables del hallazgo son un grupo de investigadores del Massachussetts Institute of Technology (MIT) y de Harvard, que bautizaron así al nuevo fármaco en honor a HAL 9000, el ordenador de inteligencia artificial a bordo de la nave espacial Discovery 1 en la novela -y posterior película- ‘2001: una odisea del espacio’.

Una de las vertientes de la investigación se basa en el descubrimiento de usos novedosos para compuestos existentes. Y estos es precisamente lo que se ha conseguido mediante la combinación de una red neuronal y técnicas de deep learning, consiguiendo un antibiótico que no se comporta de la forma habitual, gracias a la realización de predicciones en múltiples bibliotecas químicas.

“Este trabajo destaca la utilidad de los enfoques de aprendizaje profundo para expandir nuestro arsenal de antibióticos a través del descubrimiento de moléculas antibacterianas estructuralmente distintas”, indican los autores del estudio. Así pues, la halicina es un compuesto conocido desde hace años, utilizado para inhibir la actividad de ciertas proteínas que pueden causar daño hepático. Pero hasta ahora no se sabía que podría servir como antibiótico.

La investigación constó de tres etapas. Lo primero que se hizo fue entrenar un modelo de red neuronal profunda para predecir la inhibición del crecimiento de la bacteria Escherichia coli (E. coli), usando una colección de 2.335 moléculas. Después se aplicó el modelo resultante a varias bibliotecas químicas, que comprenden más de 107 millones de moléculas, con el fin de identificar posibles compuestos contra E. coli. Finalmente, se seleccionó una lista de candidatos en función de un umbral de puntuación de predicción, estructura química y disponibilidad previamente especificados. A través de este enfoque descubrieron que la halicina es un potente inhibidor del crecimiento de E. coli, aunque es estructuralmente divergente de los antibióticos convencionales.

Los investigadores detallan que esta molécula es eficaz contra un amplio espectro de patógenos, como el Clostridioides difficile (C. difficile) o el Acinetobacter baumannii (A. baumannii). El estudio destaca que la Organización Mundial de la Salud (OMS) ha designado al A. baumannii como uno de los patógenos de mayor prioridad y urgencia en el desarrollo de nuevos antibióticos, ya que es una de las nuevas bacterias resistentes a múltiples fármacos. Además, suele tener presencia en entornos hospitalarios, acumulándose en todo tipo de superficies -almohadas, ropa de cama, tensiómetros, etc.-, causando muchos problemas al afectar a pacientes en estado crítico.

En cualquier caso, los autores hacen hincapié en que “el aprendizaje automático es imperfecto”. Explican que “el éxito del descubrimiento de antibióticos guiados por modelos de redes neuronales profundas se basa en gran medida en el acoplamiento de estos enfoques a los diseños experimentales apropiados”.

Indican que la primera consideración consiste en la definición del entrenamiento de la red neuronal y el resultado biológico esperado. Por ejemplo, en este estudio se seleccionó la inhibición del crecimiento como la propiedad biológica sobre la cual se reunieron datos de entrenamiento. Además, el entrenamiento debe tener en cuenta otras propiedades farmacológicas, como la absorción, distribución, metabolismo, excreción, toxicidad, etc.