Saber com respondrà una cèl·lula a un fàrmac concret —quins gens activarà o silenciarà— és un dels passos més cars i lents del descobriment de medicaments, i els models d'IA que ho intenten predir topen sempre amb el mateix problema: funcionen bé amb compostos ja provats en laboratori, dels quals hi ha dades experimentals abundants, però fallen amb fàrmacs nous o encara no assajats, precisament els que més interessa poder cribrar abans de gastar-hi diners i temps de laboratori.
Un equip encapçalat per Jinghao Feng, amb investigadors de l'Escola d'Intel·ligència Artificial i el Laboratori d'IA de Xangai a la Universitat Jiao Tong de Xangai i del Departament d'Informàtica Biomèdica de la Facultat de Medicina de Harvard, ha publicat el 28 d'agost a Nature Machine Intelligence el disseny d'un marc anomenat MAP. El sistema construeix primer MAP-KG, un graf de coneixement que unifica 14 bases de dades públiques i relaciona 187.089 fàrmacs, 22.924 gens i 694.246 mecanismes d'interacció coneguts entre ells. Amb aquesta informació, MAP entrena una representació conjunta que combina l'estructura molecular d'un compost, la seqüència de les proteïnes amb què interactua i la descripció textual del seu mecanisme d'acció, de manera que pot fer prediccions «zero-shot» —sense haver vist mai dades experimentals d'aquell fàrmac concret. En una prova de cribratge virtual sobre la línia cel·lular de càncer de pulmó A-549, MAP va identificar correctament 4 dels 5 fàrmacs anticancerígens ja aprovats que hi havia entre els candidats avaluats, sense haver-los vist mai durant l'entrenament.
El treball és rellevant perquè demostra que incorporar coneixement biològic explícit —quin gen interactua amb quina proteïna, per quin mecanisme— millora la capacitat d'un model per generalitzar a fàrmacs mai vistos, davant dels enfocaments que només es fixen en l'estructura química del compost. En un context de recerca farmacèutica on la major part dels compostos candidats mai arriben a tenir dades experimentals pròpies, una eina capaç de prioritzar quins val la pena provar primer podria escurçar de manera significativa les primeres fases, més especulatives, del descobriment de fàrmacs.
Es tracta, però, d'una validació purament computacional: MAP prioritza candidats en un cribratge virtual, no confirma que funcionin de debò en cap assaig de laboratori humit ni, encara menys, en cap pacient. La prova de concepte es limita, a més, a una sola línia cel·lular de càncer de pulmó, i encara falta comprovar si la mateixa capacitat de generalització es manté amb altres tipus de càncer o de malaltia, i si les prediccions de MAP es confirmen quan es contrasten experimentalment en el laboratori.