Los efectos de los compuestos químicos en la salud y en el medio ambiente son cada vez más relevantes para el público general, las agencias regulatorias, la academia y la industria. Gracias a la evolución de las técnicas computacionales, disponemos de potentes herramientas para la gestión de datos y el desarrollo de cálculos matemáticos complejos. En este contexto de avance surge la quimioinformática, uno de los campos más relevantes dentro de los métodos alternativos, como la combinación de métodos computacionales para transformar datos en información y la información en conocimiento tomar mejores y más rápidas decisiones en el ámbito de la identificación y la optimización de fármacos. Así es como la definió Frank K. Brown en el año 1998.
De esta forma, por ejemplo, en el caso del desarrollo de fármacos, un proceso que dura normalmente entre 12 y 15 años y que supone inversiones de alrededor de 500 millones de dólares, puede verse reducido significativamente. Aunque la quimioinformática ha estado íntimamente ligada desde sus orígenes al diseño y desarrollo de fármacos, en general, se puede aplicar a cualquier compuesto químico.
Gracias a la quimioinformática, podemos recopilar, clasificar y ordenar grandes cantidades de datos obtenidos experimentalmente. Estos datos se analizan para encontrar características diferenciadoras, a partir de las cuales se determinan patrones de comportamiento de los compuestos, que se recogen en modelos. Los modelos quimioinformáticos de relación estructura-actividad (o SAR, structure-activity relationship) empezaron siendo fórmulas matemáticas, pero, gracias al avance de las técnicas informáticas, han alcanzado grandes niveles de complejidad y exactitud, incluyendo el uso de inteligencia artificial con técnicas de aprendizaje artificial y/o profundo (machine learning, deep learning). De hecho, son características comunes a los diferentes ámbitos de la bioinformática su gran escala (el uso de big data o gran cantidad de datos sobre compuestos y su actividad) y su objetivo doble de, por un lado, comprender las relaciones entre la estructura y la actividad de los compuestos y, por otro, predecirla en compuestos cuya bioactividad u otras propiedades son desconocidas.
Estos modelos producen predicciones en muy diversos ámbitos, desde las propiedades físico-químicas, de interacciones con otros compuestos o macromoléculas (proteínas, ARN, ADN…), de bioactividad, de propiedades ADME (absorción, distribución, metabolismo y excreción de los compuestos), de toxicidad humana o ambiental (ecotoxicidad), e incluso de eficacia en el tratamiento de una enfermedad de interés. El rendimiento de estos modelos se evalúa y mejora mediante nuevos experimentos, que comparan los datos reales con las predicciones y se utilizan para perfeccionarlas, en un proceso conocido como aprendizaje inducido.
Los modelos computacionales, también conocidos como modelos in silico, aceleran el descubrimiento y desarrollo de nuevos compuestos, ya que permiten hacer cribados virtuales (virtual screenings) de conjuntos de compuestos conocidos (llamados “bibliotecas” o “librerías”), para seleccionar de una manera racional aquellos que presentan las características más favorables para la función que se busca. De esta forma, el número de compuestos con los que hacer ensayos in vitro o in vivo, más lentos y costosos, y con problemas éticos y traslacionales asociados, se reduce significativamente.
La búsqueda computacional de compuestos químicos se aplica en numerosos campos: desde el desarrollo de fármacos; hasta la industria alimentaria para la selección de aditivos; pasando por la industria agroalimentaria para la producción de pesticidas, fertilizantes, o alimentos para animales en la industria ganadera; la producción de productos de limpieza, pinturas, etc. Además, los modelos in silico se pueden utilizar no solo para seleccionar compuestos con funciones concretas, sino también para evitar el uso de compuestos contaminantes o perjudiciales para la salud.
Nos encontramos por tanto en una era en la que podemos apoyarnos en las técnicas computacionales para obtener beneficios tangibles en el ámbito industrial, que sirvan tanto para mejorar nuestra salud como para cuidar el medio ambiente. En parte gracias a la quimioinformática, nos encontramos sin duda ante un futuro prometedor.
Referencias
- Brown, F. K. (1998). Chapter 35 – Chemoinformatics: What is it and How does it Impact Drug Discovery. In J. A. Bristol (Ed.), Annual Reports in Medicinal Chemistry (Vol. 33, pp. 375–384). Academic Press. https://doi.org/10.1016/S0065-7743(08)61100-8
- Gozalbes, R., & Pineda-Lucena, A. (2011). Small molecule databases and chemical descriptors useful in chemoinformatics: an overview. Combinatorial chemistry & high throughput screening, 14(6), 548-558.
- Engel, T., & Gasteiger, J. (2018). Chemoinformatics: Basic Concepts and Methods. John Wiley Sons.
- Trujillo, A. G. P. (2011). La quimioinformática, una herramienta eficiente para desarrollar los medicamentos del futuro. Teoría y praxis investigativa, 6(1), 77-86.
