Accelerating therapeutic peptide discovery using artificial intelligence strategies

Abstract

Los péptidos terapéuticos son una alternativa prometedora a los fármacos de moléculas pequeñas debido a su alta especificidad, eficacia y menor toxicidad. Pueden dirigirse selectivamente a vías celulares, ofreciendo efectos terapéuticos mejorados con menos efectos secundarios. No obstante, su vida media corta y degradación enzimática limitan su utilidad clínica, requiriendo enfoques innovadores para mejorar estabilidad y biodisponibilidad.

La inteligencia artificial (IA) está revolucionando el descubrimiento de péptidos. Los modelos de clasificación predicen propiedades como estabilidad, toxicidad y bioactividad, facilitando la identificación rápida de candidatos terapéuticos. Los modelos generativos amplían este potencial al crear nuevas secuencias optimizadas para características específicas, lo que expande el espacio químico disponible. Estos métodos agilizan el descubrimiento de péptidos, reducen costos y abordan desafíos clave de diseño.

A pesar de su potencial, los métodos de aprendizaje automático (ML) enfrentan obstáculos como datos limitados y las complejas propiedades estructurales de los péptidos que los marcos de ML estándar no capturan fácilmente. Esta tesis desarrolla estrategias de ML para acelerar el descubrimiento de péptidos terapéuticos, explorando modelos de clasificación funcional basados en modelos de lenguaje de proteínas y aprendizaje por transferencia, logrando precisión superior al 80% y una puntuación F1 de 0,8 en la clasificación de péptidos antivirales. También se desarrollaron modelos de predicción de toxicidad con más del 90% de precisión, y se generaron más de 4000 péptidos anti-VIH mediante modelos generativos. Además, se identificaron reglas bioinformáticas para seleccionar candidatos anti-VIH con mecanismos de antifusión o inhibición de integrasa.

Este trabajo abre camino para validar experimentalmente candidatos de alto potencial, integrar modelos predictivos de propiedades farmacológicas y analizar péptidos multifuncionales ("moonlighting") para optimizar la administración de fármacos. Estos avances optimizan péptidos terapéuticos y expanden su rol en el desarrollo de fármacos de próxima generación.