Smer-Barreto V, Quintanilla A, Elliott RJR, Dawson JC, Sun J, Campa VM, Lorente-Macías Á, Unciti-Broceta A, Carragher NO, Acosta JC, Oyarzún DA.
Nat Commun 14, 3445 (2023).
https://doi.org/10.1038/s41467-023-39120-1

Descubrimiento de senolíticos mediante aprendizaje automático

Resumen

La senescencia celular es una respuesta al estrés que interviene en el envejecimiento y en diversos procesos patológicos, como el cáncer, la diabetes de tipo 2, la artrosis y las infecciones víricas. A pesar del creciente interés por la eliminación selectiva de las células senescentes, sólo se conocen unos pocos senolíticos debido a la falta de dianas moleculares bien caracterizadas. Aquí, informamos del descubrimiento de tres senolíticos utilizando algoritmos de aprendizaje automático rentables entrenados únicamente con datos publicados. Examinamos computacionalmente varias bibliotecas químicas y validamos la acción senolítica de la ginkgetina, la periplocina y la oleandrina en líneas celulares humanas bajo diversas modalidades de senescencia. Los compuestos tienen una potencia comparable a la de los senolíticos conocidos, y demostramos que la oleandrina tiene una potencia mejorada sobre su diana en comparación con las mejores alternativas de su clase. Nuestro enfoque permitió reducir varios cientos de veces los costes del cribado de fármacos y demuestra que la inteligencia artificial puede sacar el máximo partido de datos de cribado de fármacos pequeños y heterogéneos, allanando el camino para nuevos enfoques de ciencia abierta en el descubrimiento de fármacos en fase inicial.
ENLACE AL ARTÍCULO