Un tutorial técnico publicado por el medio especializado MarkTechPost detalla cómo construir un asistente científico autónomo capaz de proponer y clasificar candidatos a fármacos contra una mutación asociada a la resistencia en el cáncer de pulmón. La guía encadena herramientas de acceso abierto para cubrir todo el flujo: desde la extracción de datos experimentales hasta la generación de nuevas moléculas candidatas.

El objetivo del proyecto es la búsqueda de inhibidores de EGFR C797S, una variante del receptor del factor de crecimiento epidérmico. Las mutaciones en EGFR son un motor frecuente del cáncer de pulmón de células no pequeñas, y la mutación C797S suele aparecer cuando los tumores desarrollan resistencia a los tratamientos existentes, lo que la convierte en un blanco farmacológico difícil y de alto interés clínico.

Cómo funciona el flujo de trabajo

El proceso arranca identificando el blanco biológico a través de dos bases de datos públicas: ChEMBL, un repositorio de bioactividad de moléculas, y UniProt, que reúne información sobre proteínas. A partir de ahí se recopilan registros de IC50, una medida de la concentración necesaria para inhibir a la mitad la actividad de la proteína, y se los convierte en un conjunto de datos limpio expresado como pIC50, una escala logarítmica más práctica para el modelado.

El siguiente paso recae en RDKit, una biblioteca de código abierto para química computacional. Con ella se estandarizan las estructuras moleculares y se calculan las llamadas huellas de Morgan, una forma de representar cada molécula como un vector numérico que describe sus fragmentos estructurales. Esa representación alimenta un modelo de aprendizaje automático del tipo Random Forest (bosque aleatorio), que aprende a predecir la potencia de un compuesto sin necesidad de sintetizarlo en un laboratorio.

Un detalle metodológico marca la diferencia frente a los ejercicios más simples: el modelo se entrena con una división por andamiaje molecular (scaffold split). En lugar de repartir los datos al azar, se separan las moléculas según su esqueleto químico central, de modo que el modelo se evalúe frente a estructuras que no vio durante el entrenamiento. Esto ofrece una estimación más honesta de cómo se comportaría ante compuestos verdaderamente nuevos.

Del modelo a moléculas nuevas

Para que el sistema no sea una caja negra, el tutorial incorpora SHAP, una técnica de interpretabilidad que atribuye a cada característica su peso en la predicción. Así se pueden identificar qué fragmentos estructurales impulsan la potencia estimada de un candidato, un aspecto clave para que un investigador confíe en la salida del modelo y entienda el porqué de cada recomendación.

La etapa final es generativa. Mediante BRICS, un método que descompone moléculas conocidas en fragmentos y los recombina siguiendo reglas químicas plausibles, el sistema propone estructuras inéditas. Esos candidatos se puntúan con el modelo QSAR y se ordenan según su potencia prevista, entregando una lista priorizada de moléculas para explorar. El código completo del proyecto está disponible públicamente.

Un patrón que gana terreno

La relación entre estructura química y actividad biológica, conocida como QSAR por sus siglas en inglés, no es nueva en la investigación farmacéutica. Lo llamativo del enfoque es empaquetar todo el recorrido —datos, modelado, interpretación y generación— en un flujo reproducible que corre con herramientas gratuitas y sin infraestructura especializada.

Conviene mantener las expectativas ajustadas. Un ejercicio de este tipo no reemplaza el trabajo de un laboratorio: las moléculas propuestas son hipótesis computacionales que aún deberían sintetizarse y validarse experimentalmente antes de acercarse a cualquier ensayo. Su valor está en estrechar el embudo, señalando dónde vale la pena invertir tiempo y recursos. En un campo donde llevar un fármaco al mercado cuesta años y miles de millones, filtrar candidatos antes del banco de laboratorio empieza a volverse una práctica difícil de ignorar.