Inteligencia Artificial Aplicada al Descubrimiento de Nuevos Fármacos
DOI:
https://doi.org/10.70577/s.e.v2i1.7Palabras clave:
inteligencia artificial, descubrimiento de fármacos, aprendizaje automático, modelado molecular, innovación farmacéutica.Resumen
El descubrimiento de nuevos fármacos enfrenta limitaciones asociadas con los elevados costos de investigación, los prolongados tiempos de desarrollo y las altas tasas de fracaso en las fases clínicas, lo que ha impulsado la incorporación de herramientas tecnológicas avanzadas en la investigación farmacológica. En este contexto, el objetivo del estudio fue analizar el aporte de la inteligencia artificial en el descubrimiento de nuevos fármacos y su incidencia en la eficiencia de los procesos de investigación biomédica. La investigación se desarrolló bajo un enfoque cuantitativo con diseño documental analítico, basado en la revisión de informes institucionales y bases de datos científicas provenientes de organismos nacionales e internacionales vinculados al desarrollo farmacéutico. El análisis de la información se realizó mediante estadística descriptiva, coeficiente de correlación de Pearson y un modelo de regresión lineal múltiple. Los resultados evidenciaron que el aprendizaje automático constituye el método más utilizado en investigaciones farmacológicas, representando aproximadamente el 40,9 % de los enfoques computacionales analizados. Asimismo, se identificó una relación positiva significativa entre el uso de inteligencia artificial y la eficiencia en la identificación de compuestos candidatos (r = 0,71), mientras que el modelo de regresión mostró que las variables tecnológicas explican cerca del 64 % de la eficiencia en el descubrimiento farmacológico (R² = 0,64). Además, el uso de inteligencia artificial permite reducir los tiempos estimados de desarrollo de medicamentos y mejorar la tasa de selección de moléculas con potencial terapéutico.
Descargas
Citas
Bajorath, J., Chávez-Hernández, A. L., Duran-Frigola, M., Fernández-de Gortari, E., Gasteiger, J., López-López, E., Maggiora, G. M., Medina-Franco, J. L., Méndez-Lucio, O., Mestres, J., Miranda-Quintana, R. A., Oprea, T. I., Plisson, F., Prieto-Martínez, F. D., Rodríguez-Pérez, R., Rondón-Villarreal, P., Saldívar-Gonzalez, F. I., Sánchez-Cruz, N., & Valli, M. (2022). Chemoinformatics and artificial intelligence colloquium. Journal of Cheminformatics, 14, 75. https://doi.org/10.1186/s13321-022-00661-0
Blanco-González, A., Cabezón, A., Seco, J., & García-Pérez, J. (2023). Artificial intelligence in drug discovery: Recent advances and future perspectives. Pharmaceutics, 15(6), 891. https://doi.org/10.3390/pharmaceutics15060891
Carrillo-Perez, F., Morales, J. C., Castillo-Secilla, D., Gevaert, O., Rojas, I., & Herrera, L. J. (2022). Machine-learning-based late fusion on multi-omics and multi-scale data for non-small-cell lung cancer diagnosis. Journal of Personalized Medicine, 12(4), 601. https://doi.org/10.3390/jpm12040601
Chávez-Hernández, A. L., Juárez-Mercado, K. E., Saldívar-González, F. I., & Medina-Franco, J. L. (2021). Towards the de novo design of HIV-1 protease inhibitors based on natural products. Biomolecules, 11(12), 1805. https://doi.org/10.3390/biom11121805
Cruz-Cortés, C., Velasco-Saavedra, M. A., Fernández-de Gortari, E., Guerrero-Serna, G., Aguayo-Ortiz, R., & Espinoza-Fonseca, L. M. (2023). A novel machine learning-based screening identifies statins as inhibitors of the calcium pump SERCA. Journal of Biological Chemistry, 299(5), 104681. https://doi.org/10.1016/j.jbc.2023.104681
Díaz-Eufracio, B. I., & Medina-Franco, J. L. (2022). Machine learning models to predict protein-protein interaction inhibitors. Molecules, 27(22), 7986. https://doi.org/10.3390/molecules27227986
Gómez-García, A., Acuña Jiménez, D. A., Zamora, W. J., Barazorda-Ccahuana, H. L., Chávez-Fumagalli, M. Á., Valli, M., Andricopulo, A. D., Bolzani, V. S., Olmedo, D. A., Solís, P. N., Núñez, M. J., Rodríguez Pérez, J. R., Valencia Sánchez, H. A., Cortés Hernández, H. F., & Medina-Franco, J. L. (2023). Navigating the chemical space and chemical multiverse of a unified Latin American natural product database: LANaPDB. Pharmaceuticals, 16(10), 1388. https://doi.org/10.3390/ph16101388
Gonzalez-Ponce, K., Horta Andrade, C., Hunter, F., Kirchmair, J., Martinez-Mayorga, K., Medina-Franco, J. L., Rarey, M., Tropsha, A., Varnek, A., & Zdrazil, B. (2023). School of cheminformatics in Latin America. Journal of Cheminformatics, 15(1), 82. https://doi.org/10.1186/s13321-023-00758-0
Lanzagorta-Ortega, D., Carrillo-Pérez, D. L., & Carrillo-Esper, R. (2022). Inteligencia artificial en medicina: presente y futuro. Gaceta Médica de México, 158(Supl. 1), 17–21. https://doi.org/10.24875/GMM.M22000688
López-López, E., & Medina-Franco, J. L. (2023). Towards decoding hepatotoxicity of approved drugs through navigation of multiverse and consensus chemical spaces. Biomolecules, 13(1), 176. https://doi.org/10.3390/biom13010176
López-López, E., Cerda-García-Rojas, C. M., & Medina-Franco, J. L. (2023). Consensus virtual screening protocol towards the identification of small molecules interacting with the colchicine binding site of the tubulin-microtubule system. Molecular Informatics, 42(1), e2200166. https://doi.org/10.1002/minf.202200166
Medina-Franco, J. L., Martínez-Mayorga, K., Fernández-de Gortari, E., & Bajorath, J. (2021). Rationality over fashion and hype in drug design. F1000Research, 10, 397. https://doi.org/10.12688/f1000research.52676.1
Moroy, G., Martiny, V., Vayer, P., Villoutreix, B., & Miteva, M. (2022). Toward artificial intelligence in drug discovery. Drug Discovery Today, 27(7), 1732–1741. https://doi.org/10.1016/j.drudis.2022.02.005
Olascoaga-Del Ángel, K. (2022). Inteligencia artificial aplicada al descubrimiento de fármacos y a la medicina personalizada. Revista Mexicana de Ciencias Farmacéuticas, 53(1), 45-58. https://doi.org/10.48193/rmcf.v53i1.543
Prieto-Martínez, F. D., Fernández-de Gortari, E., Medina-Franco, J. L., & Espinoza-Fonseca, L. M. (2021). An in silico pipeline for the discovery of multitarget ligands: A case study for epi-polypharmacology based on DNMT1/HDAC2 inhibition. Artificial Intelligence in the Life Sciences, 1, 100008. https://doi.org/10.1016/j.ailsci.2021.100008
Rodríguez-Pérez, R., & Bajorath, J. (2022). Evolution of support vector machine and regression modeling in chemoinformatics and drug discovery. Journal of Computer-Aided Molecular Design, 36(5), 355–362. https://doi.org/10.1007/s10822-022-00442-9
Roman-Naranjo, P., Parra-Perez, A. M., & Lopez-Escamez, J. A. (2023). A systematic review on machine learning approaches in the diagnosis and prognosis of rare genetic diseases. Journal of Biomedical Informatics, 143, 104429. https://doi.org/10.1016/j.jbi.2023.104429
Saldivar-González, F., Aldas-Bulos, V., Medina-Franco, J. (2023). Artificial intelligence and machine learning in drug discovery. Revista de Química, 37(2), 45-60. https://doi.org/10.18800/rcq.202302.004
Sánchez-Cruz, N., & Medina-Franco, J. L. (2021). Epigenetic target fishing with accurate machine learning models. Journal of Medicinal Chemistry, 64(12), 8208–8220. https://doi.org/10.1021/acs.jmedchem.1c00020
Sánchez-Cruz, N., Fernández-de Gortari, E., & Medina-Franco, J. L. (2023). Editorial: Computational chemogenomics: In silico tools in pharmacological research and drug discovery. Frontiers in Pharmacology, 14, 1150869. https://doi.org/10.3389/fphar.2023.1150869
