Boltz PBC se asoció con Excelra para impulsar sus modelos de descubrimiento de fármacos con inteligencia artificial a partir de datos seleccionados de la base GOSTAR™. En ese esquema, mediciones sobre solubilidad cinética, lipofilicidad y permeabilidad Caco-2 se utilizan para entrenar modelos ADMET en BoltzMol-1.
El foco está puesto en el uso de modelos ADMET como una primera instancia de evaluación: esos modelos funcionan como una capa de selección inicial que filtra compuestos desfavorables antes de su compra o síntesis. La lógica detrás del enfoque es acotar el universo de candidatos que se evalúan en etapas posteriores del proceso de investigación.
Pruebas prospectivas y volumen de compuestos
En un informe técnico, Boltz realizó pruebas prospectivas sobre diez objetivos definidos como desafiantes. La mayoría de esos objetivos no estaba presente en sus datos de entrenamiento de afinidad. En ese ejercicio, la compañía confirmó ligandos o compuestos activos para seis de los diez objetivos, utilizando entre 28 y 96 compuestos por objetivo.
Ese volumen se contrastó con los enfoques convencionales de pruebas de alto rendimiento, que suelen emplear desde miles hasta millones de compuestos por objetivo. En ese tipo de ensayos, las tasas de éxito “a menudo son inferiores al 0,15%”.
Comparación con un paquete ADMET de código abierto
Además, Boltz comparó el desempeño de sus modelos ADMET entrenados con datos de GOSTAR™ frente a un paquete ADMET de código abierto, bajo condiciones “estrictamente fuera de distribución”, es decir, sobre química que no coincide con la distribución del entrenamiento. En ese escenario, los modelos entrenados con GOSTAR™ igualaron o superaron a ese paquete, con las mayores mejoras observadas en solubilidad y permeabilidad.
Gabriele Corso, cofundadora y directora ejecutiva de Boltz PBC, afirmó: “La escala del conjunto de datos GOSTAR™ nos ayuda a construir modelos que se generalizan a la química mucho más allá de los datos de entrenamiento típicos”.
Desde Excelra, Anandbir Brar, director ejecutivo, sostuvo: “Los datos de solubilidad y la selección a esta escala son precisamente lo que les falta a las fuentes públicas”.
