Archivo - Tecnología aplicada al ámbito sanitario. - PCESS609/ ISTOCK - Archivo
MADRID 11 May. (EUROPA PRESS) -
Las nuevas tecnologías de análisis de datos e inteligencia artificial (IA) tienen un importante papel para acelerar la identificación de nuevas oportunidades terapéuticas a partir de fármacos ya existentes, según han destacado investigadores del laboratorio MEDAL del Centro de Tecnología Biomédica (CTB) de la Universidad Politécnica de Madrid (UPM).
Este proceso, conocido como reposicionamiento de fármacos, permite acortar los tiempos de prueba de los medicamentos, reducir los costes y minimizar los riesgos del desarrollo farmacológico, al investigar con tratamientos que ya son aptos para ser empleados en seres humanos y de los que ya se conocen sus efectos secundarios.
El artículo publicado por los investigadores de la UPM, en colaboración con expertos de la Universidad de Maastricht (Países Bajos), el Klinik für Neurologie, de la Universitätsklinikum Essen (Alemania) y el Brigham and Women's Hospital de la Harvard Medical School (Estados Unidos), muestra cómo el análisis integrado de grandes volúmenes de datos biomédicos, incluidos datos moleculares, genómicos, farmacológicos y clínicos, permite estudiar las relaciones entre genes, proteínas, fármacos y enfermedades desde una perspectiva global y generar hipótesis sobre nuevas indicaciones terapéuticas.
"A través de técnicas como el análisis de redes biológicas, la integración de datos ómicos o la simulación de interacciones moleculares, los enfoques computacionales contribuyen a priorizar candidatos prometedores a convertirse en nuevos fármacos que posteriormente pueden ser evaluados mediante validación experimental", ha resaltado la investigadora del grupo MEDAL de la UPM y una de las coautoras del trabajo Lucía Santamaría.
La IA tiene un papel cada vez más importante en este ámbito. Como ejemplo, la investigadora de la UPM Andrea Álvarez ha señalado que el aprendizaje automático y el aprendizaje profundo permiten extraer patrones de los datos biomédicos para predecir asociaciones entre fármacos y enfermedades, y optimizar las estrategias de tratamiento.
Asimismo, los modelos grandes de lenguaje (LLM, por sus siglas en inglés) ayudan a extraer conocimientos de la literatura biomédica para identificar oportunidades de reutilización; la IA generativa diseña y optimiza candidatos a fármacos mediante la generación de estructuras moleculares con propiedades mejoradas; y los modelos multimodales integran datos moleculares, clínicos y de imagen para refinar las predicciones y personalizar los tratamientos.
Así lo ha detallado el catedrático de la UPM y responsable del Laboratorio MEDAL, Alejandro Rodríguez, quien también ha destacado la capacidad de los modelos fundacionales, que aprovechan los datos biomédicos a gran escala para mejorar el descubrimiento de relaciones entre fármacos y enfermedades y mejorar la precisión de las predicciones en diversos conjuntos de datos.
CASOS DE ÉXITO
Según han destacado los investigadores, estas técnicas han ayudado ya a reposicionar muchos fármacos para tratar enfermedades diferentes a aquellas para las que fueron creados en origen. Es el caso del Alzheimer, donde la aplicación de técnicas computacionales ha permitido proponer el uso de fármacos como la metformina utilizada en diabetes tipo 2, por su capacidad para reducir la deposición de beta-amiloide.
También se ha logrado reposicionar el lansoprazol, empleado habitualmente para el tratamiento de úlceras gástricas, y está siendo estudiado como inhibidor de la sintasa de ácidos grasos en células tumorales, interfiriendo en la síntesis lipídica necesaria para el crecimiento del tumor.
Otro caso de éxito ha sido el de la hidroxicloroquina, utilizada en artritis reumatoide, que gracias a los análisis basados en redes se ha propuesto como posible tratamiento para la enfermedad coronaria al modular las rutas inflamatorias relacionadas con el factor de necrosis tumoral alfa.
Asimismo, la integración de datos ómicos ha permitido proponer la ivermectina, un antiparasitario, como candidata para el cáncer gástrico al actuar sobre la vía WNT/*-catenina, clave en la progresión tumoral.
