Aprovechando las modernas herramientas de aprendizaje automático y criptográfico, los investigadores han desarrollado un nuevo protocolo computacional que permite a investigadores de múltiples compañías y bibliotecas farmacéuticas compartir la investigación y colaborar de forma segura en el desarrollo de nuevos fármacos, sin revelar los datos confidenciales subyacentes pertenecientes a cualquiera persona involucrada. De acuerdo con el informe, los conjuntos de datos experimentales compartidos mejoran la capacidad de los modelos predictivos, diseñados para identificar las interacciones fármaco-receptor (drug-target interactions, DTI por su sigla en inglés), a fin de predecir nuevos candidatos terapéuticos a un ritmo y a una escala mucho mayores que los actuales métodos de vanguardia, lo que podría acelerar en gran medida el desarrollo de fármacos. Si bien los esfuerzos de colaboración entre las compañías farmacéuticas y los laboratorios académicos han demostrado ser fructíferos en el desarrollo de nuevos medicamentos, a menudo tienen un alcance limitado debido a preocupaciones sobre propiedad intelectual e intereses financieros encontrados, y el intercambio de datos entre múltiples entidades está restringido por la necesidad de mantener la confidencialidad. Los protocolos de computación multipartita segura (multiparty computation, MPC por su sigla en inglés) ofrecen una solución criptográfica moderna para facilitar la colaboración y garantizar la privacidad de los datos. Sin embargo, los marcos MPC ahora existentes carecen, según los autores, de la capacidad de realizar algoritmos complejos sobre los grandes conjuntos de datos que se necesitan para predecir nuevos fármacos terapéuticos. Para abordar esta necesidad, Brian Hie y sus colegas desarrollaron un protocolo computacional para la predicción de DTI en colaboración basada en MPC segura, que oculta los datos confidenciales y divide las tareas computacionales entre grupos colaboradores. El conjunto de datos seguros combinados se utilizó para entrenar un modelo de red neuronal para la predicción de DTI. De acuerdo con los resultados, el protocolo permitió que el modelo produjera resultados precisos en menos de cuatro días de entrenamiento en una red de área amplia sobre un conjunto de datos con más de un millón de interacciones. Si bien el método demuestra una prometedora solución para la colaboración farmacéutica, los autores sugieren que también podría usarse en otras áreas que se ven obstaculizadas por la falta de colaboración debido a cuestiones de confidencialidad.
###
Journal
Science