Revista Farmabiotec Número 13

#13 farmaBIOTEC 37 talidomida es uno de los ejemplos más claros de la impor- tancia del estudio de la racemización de los fármacos en el ser humano, ya que, al convertirse en su otro enantiómero, resulta tener propiedades tóxicas, y fue responsable de provocar malformaciones embrionarias en las embaraza- das. En la actualidad, los distintos organismos reguladores de los fármacos de la mayoría de los países prohibieron la comercialización de fármacos racémicos. Esto hace imprescindible el control estructural de todas las molécu- las que se comercializan con fines terapéuticos. Para ello, en la química sintética más tradicional, se emplean catali- zadores con ciertas propiedades, capaces de generar dife- rentes ratios de las distintas estructuras y cuyos resultados se obtienen mediante prueba y error. Es en este campo, es donde las herramientas de IA tienen un gran potencial para ayudar a los investigadores a obtener metodología sinté- tica más eficaz para obrar dichas moléculas. En los últimos años, la aplicación del ML en catálisis homogénea ha surgido como un enfoque prometedor para acelerar el descubrimiento, la comprensión y el diseño de sistemas catalíticos. Este campo de la catálisis ha sido galardonado en las últimas décadas con varios premios Nobel por su enorme importancia, especialmente en el desarrollo de procesos químicos sostenibles y eficientes. Una característica útil del ML en la catálisis homogénea es su capacidad para acelerar el diseño y la optimización de catalizadores, fundamentales para el correcto devenir de las reacciones químicas. Mediante el cribado virtual de posibles candidatos, los investigadores pueden identificar catalizadores prometedores para su validación experimen- tal, minimizando así el número de experimentos necesa- rios para alcanzar resultados óptimos de reacción. Los algoritmos de ML han demostrado ser herramientas valio- sas para predecir la reactividad y la selectividad. Utilizando amplias bases de datos de reacciones para entrenar modelos predictivos, los científicos pueden anti- cipar los resultados de diversos sistemas catalíticos y, por tanto, diseñar catalizadores con la selectividad y el regio/ estereocontrol deseados, vitales en la síntesis farmacéu- tica. Mediante el análisis de perfiles cinéticos, estructuras moleculares y condiciones de reacción, los algoritmos de ML pueden identificar patrones y correlaciones, arro- jando luz sobre las vías subyacentes que rigen la actividad catalítica. Los predictores de ML se integran frecuente- mente con herramientas de quimio-informática, caracteri- zación molecular o estructural y validación experimental. En este contexto, la quimio-informática y los métodos basados en la Mecánica Cuántica se emplean habitual- mente para caracterizar moléculas en descriptores ade- cuados para generar predicciones. Estos descriptores, pretender definir de la forma más precisa posible, como es una molécula de una forma matemática. Los más comu- nes, son los descriptores que describen tridimensional- mente, mediante coordenadas, ángulos y vectores, la dis- posición relativa de una molécula en el espacio, así como la carga o densidad electrónica de cada uno de los átomos que la conforman. A pesar de ser adiciones relativamente recientes a los modelos de ML, estos métodos de predic- ción están ganando terreno, con un número creciente de publicaciones que demuestran su potencial en el descubri- miento de catalizadores. De este modo, con los resultados obtenidos durante los años, estos algoritmos de aprendi- zaje automático son capaces de generar predicciones muy acertadas sobre características estructurales tan comple- jas como la relación de enantiómeros o de regioisómeros. Los modelos de ML se dividen en dos grandes grupos, aprendizaje supervisado y no supervisado. Dentro del aprendizaje supervisado, encontramos modelos de clasi- ficación y modelos de regresión, y dentro del aprendizaje no supervisado, encontramos los modelos de clasifica- ción o clustering . Algunos de los modelos más empleados dentro de esta área, serían la Regresión lineal, Regresión logística, Árboles de decisión, Random Forest, XGBoost o Gradient Boosting. Por otro lado, los modelos basados en redes neuronales no son tan comunes, debido a que nece- sitan de grandes cantidades de datos para poder predecir correctamente. Por desgracia, el campo de la generación de estructuras y predicción de propiedades estructurales tiene la limitación de que el número de datos disponible no es tan elevado como en otras líneas de investigación, ya que, en su mayoría, han de ser obtenidos mediante la más pura experimentación. Pese a ello, los resultados que se están obteniendo en la actualidad, son de gran utilidad, permitiendo acceder a moléculas estructuralmente puras. Para finalizar, podemos concluir que al igual que en otros ámbitos, la inteligencia artificial, y en especial los modelos de Machine Learning , están resultado ser una auténtica revolución en la predicción de propiedades relacionadas con la síntesis química. Esto está permitiendo acceder a predicciones de todo tipo, desde mejoras en los rendimien- tos de reacción, como en una mayor selectividad, lo que se traduce en una disminución del tiempo de síntesis, un aba- ratamiento de los costes, un menor uso y más eficiente de la energía y, en definitiva, un acceso más veloz a fármacos potencialmente exitosos. Inteligencia artificial Ejemplos de fármacos enantioméricamente definidos.