Los científicos saben exactamente dónde buscar posibles debilidades en los virus que causan enfermedades: sus capas proteicas.

El material genético dentro de un virus está rodeado por una cubierta a base de proteínas llamada cápside. Las búsquedas de tratamientos terapéuticos y vacunas ahora se están centrando en proteínas como las cápsidas que los medicamentos podrían atacar, y un estudio muy importante de un grupo de investigación de Georgia Tech ofrece experiencia para ayudar en esfuerzos como estos.

El Grupo Sherrill está estudiando Inteligencia Artificial y Machine Learning con la esperanza de hacer que el descubrimiento de drogas sea más rápido y eficiente, dice David Sherrill, químico computacional y profesor de la Facultad de Química y Bioquímica y de la Facultad de Ciencias e Ingeniería Computacional, que también se desempeña como director asociado del Instituto Tecnológico de Georgia para Ingeniería de Datos y Ciencia. "La Inteligencia Artificial promete ayudarnos a identificar las proteínas objetivo susceptibles de aplicar un medicamento, y a predecir qué fármacos podrían ser efectivos e incluso cómo sintetizarlos".

El equipo ha creado el primer modelo de Machine Learning diseñado específicamente para las interacciones intermoleculares, como las que rigen la unión de un fármaco a sus proteínas objetivo.

Sherrill dice que ya se ha hecho mucho trabajo en la investigación química utilizando Machine Learning, donde los ordenadores buscan patrones y posibles conexiones dentro de los datos por su cuenta sin instrucciones específicas. Pero hasta ahora ese enfoque "se ha convertido en propiedades de predicción de moléculas pequeñas individuales. Las interacciones intermoleculares plantean varios problemas sutiles que dilucidamos” en el estudio, dice.

El proceso de diseño de medicamentos puede beneficiarse de la Inteligencia Artificial de varias maneras, incluidas estimaciones más precisas de cómo se mueven los medicamentos dentro del cuerpo y mejores predicciones sobre su capacidad de sintetización.

En el estudio piloto inicial, los investigadores desarrollaron una forma de codificar cálculos mecánicos cuánticos (subatómicos) de alto nivel sobre interacciones molécula a molécula en un modelo de Machine Learning. "Las pruebas indican que el modelo es prometedor, y es mucho más rápido que los cálculos cuánticos correspondientes, que implican fracciones de segundo para Machine Learning, en comparación con las horas para la mecánica cuántica", dice Sherrill.

“Aunque nuestro estudio inicial se centró principalmente en los enlaces de hidrógeno, el grupo ya ha desarrollado un modelo más general aplicable a todos los tipos de interacciones molécula-molécula involucradas en la unión del fármaco  y la proteína, y actualmente estamos en el proceso de generar un gran conjunto de datos cuánticos necesario para entrenar el modelo ", dice.

En última instancia, el equipo espera desarrollar un modelo que sea casi tan preciso como la mecánica cuántica, mientras hace predicciones en forma casi instantánea. Tal modelo podría ser muy útil en la detección de un número extremadamente grande de posibles moléculas de fármacos para su capacidad de unirse a una proteína.

Durante su tiempo en Georgia Tech, el trabajo de Sherrill se ha centrado en la intersección del software, la química y la física. Es uno de los principales investigadores de la colmena de superordenadors de Georgia Tech.

Sherrill también dirige el equipo de Georgia Tech que escribió Psi4, un conjunto de programas de química cuántica de código abierto que Google seleccionó en 2017 como complemento de OpenFermion, su paquete de química gratuita y de código abierto para computadoras cuánticas.