Un equipo alemán de la Universidad Técnica de Dresden (Capital del estado de Sajonia, este de Alemania), se ha inspirado en la capacidad de auto-organización del cerebro humano para crear un algoritmo que prediga nuevas dianas farmacológicas sin necesidad de aportar información biológica, química o molecular adicional.
El descubrimiento y desarrollo de fármacos está atravesando una etapa crítica debido al aumento de los costes y el tiempo necesario para su testeo. Este proceso supone unos 1.000 millones de euros (1) por cada nuevo fármaco introducido en el mercado, siendo de una duración de entre 10 y 15 años (1). Además, sólo 1 de cada 10.000 moléculas (1) estudiadas llega a convertirse en un fármaco comercializado. A pesar del aumento de las inversiones, la cantidad de nuevos fármacos aprobados por las agencias reguladoras FDA (Food and Drug Administration) en USA, EMA (European Medicines Agency) en Europa y AEMPS (Agencia Española de Medicamentos y Productos Sanitarios), en España, sigue siendo menor de lo esperado.
Una buena alternativa a la creación de medicamentos de novo es el reposicionamiento de los fármacos ya disponibles, puesto que éstos han superado todas las pruebas de seguridad y, por lo tanto, su comercialización para el nuevo uso supone un gasto mucho menor.
Descubriendo nuevos fármacos
Existen básicamente dos aproximaciones para descubrir nuevas dianas de fármacos pre-existentes, ambas basadas en la predicción de interacciones fármaco-diana:
- Métodos supervisados basados en información previa: Parten de grafos bipartitos e incompletos (redes que conectan moléculas que interaccionan entre sí, como por ejemplo un fármaco y su diana), y se basan en información biológica y molecular previa para intentar predecir las interacciones que faltan. No obstante, los resultados obtenidos se basan en simplificaciones y pocos datos, siendo difícil su generalización.
Figura 2. Red de interacción
- Métodos no supervisados basados en la topología: Predicen nuevas relaciones fármaco-diana basándose exclusivamente en la estructura de la red de interacciones. Esta aproximación no requiere de información externa pero presenta un problema si no se conocen interacciones previas del fármaco a analizar. Es decir, requieren como punto de partida un grafo bipartito al que posteriormente se le aplican diversos métodos que lo descomponen en sus dos estructuras monopartitas.
La teoría LCP
En respuesta a estas limitaciones, el equipo liderado por el Dr. Carlo Vittorio Cannistraci ha diseñado un algoritmo no supervisado capaz de aplicarse directamente sobre grafos bipartitos. Los investigadores se inspiraron para su implementación en la teoría LCP (Local Community Paradigm) (Consulte este artículo para más información). Este paradigma fue inicialmente detectado en la topología de auto-organización que tiene la red neuronal del cerebro humano, capaz de adquirir estructura y función de manera espontánea.
La teoría LCP sostiene que las redes complejas están formadas por muchas pequeñas comunidades o sistemas locales. De esta manera, el cerebro está formado por una gran cantidad de pequeños grupos neuronales que favorecen la actividad local de señalización. El algoritmo alemán emplea la teoría LCP y el modo de interacción de los distintos conjuntos locales para realizar predicciones, de modo que es posible determinar cómo un fármaco afecta a la red biológica global de interacciones moleculares en vez de centrarnos en su efecto sobre una sola molécula o receptor.
Este prometedor método fue publicado en Briefings in Bioinformatics, en cuyo artículo se demuestra la superioridad del nuevo algoritmo sobre el resto de aproximaciones no supervisadas, siendo su rendimiento equivalente al de los métodos supervisados. Artículo completo aquí.
Bibliografía
- El País – Economía
- Claudio Durán, Simone Daminelli, Josephine M. Thomas, V. Joachim Haupt, Michael Schroeder, Carlo Vittorio Cannistraci; Pioneering topological methods for network-based drug–target prediction by exploiting a brain-network self-organization theory, Briefings in Bioinformatics, , bbx041, https://doi.org/10.1093/bib/bbx041