Avances en el descubrimiento de medicamentos usando peces cebra y aprendizaje automático

El estudio de cómo los medicamentos afectan el sistema nervioso central (SNC) es complicado. Incluso medicamentos que llevan tiempo en el mercado, como la ketamina, no tienen un entendimiento claro de cómo funcionan. Esto se debe en parte a las complejas vías involucradas en el sistema nervioso de los vertebrados. Muchos de estos medicamentos influyen en múltiples objetivos, haciendo difícil desarrollar fármacos que actúen solo en uno.

Para afrontar estos desafíos, los investigadores usan un método llamado cribado fenotípico. Esta técnica ayuda a identificar cómo diferentes compuestos interactúan con varios objetivos en el cuerpo. Al examinar los efectos de estos compuestos en sistemas modelo con mayor complejidad biológica, los investigadores pueden obtener información valiosa. El uso de larvas de pez cebra se ha vuelto popular para este propósito, ya que permiten a los investigadores probar miles de compuestos rápidamente, ofreciendo genética y estructuras del SNC similares a las de los humanos.

El cribado fenotípico en pez cebra muestra promesas para descubrir nuevos medicamentos. Sin embargo, analizar las grandes cantidades de datos de comportamiento recogidos de estas pruebas puede ser complicado. Los videos tomados durante los experimentos contienen un montón de información sobre cómo reaccionan los peces a diferentes estímulos. Los métodos tradicionales para evaluar estos datos suelen luchar para detectar cambios de comportamiento sutiles.

#Proceso de Cribado

En el proceso de cribado, las larvas de pez cebra se colocan en placas de 96 pocillos y se exponen a varios medicamentos. Los investigadores observan sus reacciones a estímulos diferentes, como sonidos y luces de colores. El comportamiento de los peces se graba en video, que luego se analiza para calcular un "índice de movimiento" (IM) que representa su movimiento a lo largo del tiempo.

Diferentes métodos para evaluar estos datos de series temporales de IM pueden dar resultados variados. Por ejemplo, comparaciones simples usando distancia de correlación pueden no ser efectivas para distinguir entre cambios de comportamiento sutiles. Los peces a menudo muestran respuestas complejas que no se capturan fácilmente de manera directa. Las métricas tradicionales tratan todas las partes de los fotogramas del video por igual, sin ponderar la importancia de los movimientos significativos.

Para mejorar el análisis de estos datos, los investigadores han recurrido a técnicas de aprendizaje profundo conocidas como Redes Neuronales Gemelas (twin-NNs). Estos modelos pueden aprender a diferenciar entre diversas respuestas de comportamiento de manera más efectiva, enfocándose en los aspectos de los datos que más importan para entender los efectos de diferentes medicamentos.

#Usando Redes Neuronales Gemelas

En un estudio reciente, los investigadores utilizaron una biblioteca de alrededor de 650 medicamentos para entrenar redes neuronales gemelas y relacionarlas con los cambios de comportamiento que inducen en los peces cebra. Estos modelos fueron diseñados para capturar mejor las sutilezas del comportamiento inducido por cada medicamento, permitiendo una identificación más precisa de compuestos efectivos.

Al combinar larvas de pez cebra con técnicas de aprendizaje automático, los investigadores pueden analizar grandes conjuntos de datos de manera más eficiente. Las twin-NNs distinguen pares positivos (donde dos muestras provienen del mismo medicamento) de pares negativos (muestras de diferentes medicamentos). En términos más simples, el modelo aprende a evaluar cuán similares son las respuestas según los medicamentos dados, mejorando todo el proceso de descubrimiento de fármacos.

La investigación reveló que los métodos tradicionales, como las distancias de correlación o Euclidianas, a menudo fallaban al tratar con datos de comportamiento complejos. Sin embargo, los modelos twin-NN mostraron una notable capacidad para identificar réplicas de medicamentos de manera efectiva y podrían incluso distinguir entre medicamentos con diferencias sutiles en sus efectos.

#Desafíos en el Análisis de Datos

A pesar de las ventajas de los modelos twin-NN, los investigadores enfrentaron algunos desafíos durante sus experimentos. Un problema significativo fue que los modelos a veces aprendieron a depender del "aprendizaje de atajos," donde explotaban patrones no intencionados en los datos en lugar de entender realmente las relaciones subyacentes. Por ejemplo, si los medicamentos estaban constantemente ubicados en las mismas áreas de la placa, el modelo podría engancharse a esa información en lugar de los efectos reales del medicamento.

Para superar esto, los investigadores decidieron realizar un segundo cribado con una configuración aleatorizada. Esta vez, las posiciones de los medicamentos fueron mezcladas, eliminando posibles sesgos del diseño. Gracias a este enfoque, pudieron recopilar datos más confiables y asegurarse de que los modelos aprendieran efectos genuinos de los medicamentos en lugar de artefactos del diseño experimental.

#Desarrollando un Diseño Experimental Robusto

La configuración experimental rediseñada permitió un análisis más preciso. Al usar un enfoque aleatorizado, los investigadores pudieron eliminar factores de confusión que podrían desviar a los modelos de aprendizaje. Los modelos twin-NN entrenados con el nuevo conjunto de datos aún funcionaron excepcionalmente bien, superando las métricas de distancia tradicionales para distinguir entre diferentes medicamentos.

Además, el cribado refinado permitió identificar respuestas de comportamiento que anteriormente se pasaron por alto. Esto fue crucial para mejorar la calidad general de los esfuerzos en el descubrimiento de fármacos y asegurar que los modelos pudieran generalizar a través de diferentes conjuntos de datos.

#Construyendo el Comportamiento

Usando los datos fenotípicos derivados del modelo twin-NN, los investigadores construyeron un "comportamiento"-una representación visual de cómo se relacionan los medicamentos entre sí según los comportamientos que inducen en los peces cebra. Este mapeo proporciona una visión completa de las similitudes y diferencias entre los medicamentos, ofreciendo nuevas perspectivas sobre posibles efectos terapéuticos y oportunidades para la reutilización de medicamentos.

El comportamiento destacó grupos distintos de medicamentos que comparten mecanismos de acción similares, mientras también revelaba áreas que merecen una mayor investigación. Por ejemplo, los medicamentos dentro de ciertas clases terapéuticas a menudo se agrupaban, sugiriendo que podrían actuar a través de rutas biológicas relacionadas.

#Descubriendo Nuevos Compuestos

Uno de los resultados más emocionantes de esta investigación fue la identificación exitosa de nuevos compuestos con efectos neuroactivos. Al comparar las distancias aprendidas de medicamentos conocidos con una biblioteca de nuevos compuestos, el equipo pudo predecir qué nuevos compuestos podrían exhibir efectos de comportamiento similares a los de los medicamentos establecidos.

Los investigadores utilizaron una herramienta para predecir los posibles mecanismos de acción de estos nuevos compuestos. Al encontrar conexiones entre los compuestos y sus efectos predichos, pudieron evaluar mejor la relevancia de los nuevos descubrimientos.

En experimentos que probaron compuestos nuevos seleccionados, varios mostraron promesas al unirse a receptores humanos relacionados con efectos neuroactivos, confirmando la utilidad de la métrica de distancia aprendida para identificar compuestos activos.

#Validación Experimental Prospectiva

A continuación, los investigadores buscaban validar sus predicciones experimentalmente. Un conjunto de compuestos nuevos seleccionados fue probado en un laboratorio para determinar qué tan bien se unirían a receptores específicos en humanos. Este paso fue crucial para confirmar que las predicciones realizadas por los modelos de aprendizaje automático se traducían en efectos del mundo real.

Las pruebas revelaron que un porcentaje significativo de los nuevos compuestos exhibieron afinidades de unión significativas. Esta alta tasa de éxito subraya la efectividad de usar cribados de comportamiento en pez cebra combinados con técnicas modernas de aprendizaje automático para el descubrimiento de fármacos.

#Conclusión

Esta investigación ilustra el potencial de usar modelos de aprendizaje profundo de métricas en combinación con cribados de comportamiento de pez cebra de alta replicación para identificar nuevos compuestos neuroactivos. El enfoque ofrece perspectivas sobre datos farmacológicos complejos y promueve un mejor entendimiento de cómo diferentes medicamentos interactúan con los sistemas biológicos.

Si bien existen desafíos como el aprendizaje de atajos, las mejoras en el diseño experimental llevaron a resultados más confiables, allanando el camino para futuras aplicaciones en el descubrimiento y desarrollo de fármacos. Esta metodología podría servir como una herramienta poderosa para descubrir nuevos agentes terapéuticos y elucidar los mecanismos por los cuales actúan dentro del sistema nervioso central.

En general, la integración de fenotipificación de comportamiento con técnicas avanzadas de aprendizaje automático tiene un gran potencial para avanzar en nuestra comprensión de los medicamentos neuroactivos y mejorar el proceso de descubrimiento de fármacos. A medida que las metodologías continúan evolucionando, el potencial para descubrir terapias innovadoras para condiciones neurológicas sigue siendo vasto y emocionante.