La investigación sobre las quinasas representa una oportunidad significativa para explorar dianas moleculares en el organismo que puedan contribuir al tratamiento de enfermedades como el cáncer y los trastornos autoinmunes. Estas enzimas son capaces de unirse a sitios celulares e inhibir comportamientos disfuncionales, tales como la sobreproducción de células cancerosas y la formación de tumores.
Ante la vasta combinación de posibles interacciones entre quinasas y estructuras celulares, los científicos están recurriendo a la Inteligencia Artificial (IA) para predecir y modelar qué emparejamientos podrían tener un efecto terapéutico. En este contexto, un equipo de investigadores ha desarrollado KinasePred, una herramienta computacional para la predicción de dianas de quinasas para pequeñas moléculas. Los detalles de este proyecto se han publicado en el International Journal of Molecular Sciences.
El equipo de trabajo incluye a investigadores que colaboran con la Sbarro Health Research Organization (SHRO), bajo la dirección del Dr. Antonio Giordano, profesor en la Universidad de Temple, junto a científicos de la Universidad de Pisa y otras organizaciones de investigación en Italia. Este flujo de trabajo basado en IA es capaz de predecir la actividad de las quinasas, permitiendo obtener información sobre las interacciones de las dianas moleculares e identificar combinaciones con potencial para tratar el cáncer.
KinasePred: Un avance en la predicción de interacciones moleculares
Dirigido por la Dra. Miriana de Stefano, del Departamento de Farmacia de la Universidad de Pisa, el estudio presenta una herramienta computacional avanzada diseñada para mejorar la predicción de las interacciones entre quinasas y pequeñas moléculas. KinasePred es un ejemplo de una herramienta computacional dependiente de datos, desarrollada para abordar un problema específico: la selección de inhibidores de quinasas. Esto se logra mediante la aplicación de un modelo predictivo que utiliza la base molecular de la unión y la selectividad de las quinasas.
KinasePred emplea técnicas de aprendizaje automático (ML) e IA para realizar predicciones precisas, así como para explicar las características moleculares que facilitan las interacciones. Los investigadores esperan que esta herramienta conduzca a predicciones más exactas utilizando nuevas representaciones de las moléculas y diferentes métodos de aprendizaje automático, proporcionando un conocimiento más integral sobre las interacciones de las quinasas.
Estos avances son cruciales para identificar y minimizar los efectos fuera de diana, mejorando en última instancia la seguridad y selectividad de los agentes terapéuticos. A medida que la investigación en este campo avanza, se abre una nueva era en la medicina personalizada, donde la tecnología y la biología se entrelazan para ofrecer tratamientos más eficaces y seguros a los pacientes.
Más información: Miriana Di Stefano et al, KinasePred: A Computational Tool for Small-Molecule Kinase Target Prediction, International Journal of Molecular Sciences (2025). DOI: 10.3390/ijms26052157
Proporcionado por Sbarro Health Research Organization (SHRO)
