Una red neuronal gráfica informada por la física para aproximar la afinidad de unión basada en docking para DYRK2 en el reposicionamiento de fármacos para el Alzheimer

Por qué esto importa para el Alzheimer

La enfermedad de Alzheimer está en aumento a nivel mundial, pero la mayoría de los fármacos actuales solo alivian los síntomas en lugar de detener la enfermedad. Probar nuevos medicamentos en el laboratorio es lento y costoso, especialmente para proteínas cerebrales menos estudiadas que podrían ser importantes en la memoria y la salud neuronal. Este estudio explora un atajo inteligente: usar un modelo de inteligencia artificial consciente de la física para predecir cuánto podrían unirse fármacos ya existentes contra el Alzheimer a una proteína poco explorada llamada DYRK2, lo que podría abrir nuevas vías de tratamiento.

Una nueva forma de mirar medicamentos antiguos

En lugar de diseñar compuestos totalmente nuevos, los investigadores se centran en el reposicionamiento de fármacos: encontrar nuevos usos para medicamentos ya aprobados y relativamente seguros. Examinaron cuatro fármacos conocidos contra el Alzheimer (brexpiprazol, donepezilo, galantamina y rivastigmina) y preguntaron con qué afinidad podría unirse cada uno a DYRK2, una proteína quinasa implicada en el crecimiento y la función de las neuronas. DYRK2 ha sido apenas estudiada en el contexto del Alzheimer, pero evidencias iniciales la vinculan con sinapsis, axones y memoria, lo que la convierte en un objetivo intrigante que podría complementar las terapias actuales.

Convertir moléculas en redes

Para explorar estas relaciones fármaco‑proteína, el equipo transforma cada molécula de fármaco en un grafo: los átomos se convierten en nodos y los enlaces químicos en aristas que los conectan. Hacen algo similar con la proteína DYRK2, representando su secuencia de aminoácidos como una cadena de unidades conectadas. Un tipo de modelo de aprendizaje automático llamado red neuronal gráfica (GNN) puede trabajar de forma natural con estas entradas en forma de grafo, propagando información a lo largo de las conexiones para aprender patrones de forma y química. Esto permite que el modelo, llamado PhysDual‑GCN, «lea» tanto el fármaco como DYRK2 como redes que interactúan en lugar de simples cadenas o listas de características.

Mezclar física con inteligencia artificial

La mayoría de las herramientas de aprendizaje profundo en descubrimiento de fármacos aprenden solo a partir de datos, lo que puede dificultar la interpretación de su funcionamiento interno. Aquí, los autores incorporan deliberadamente ideas físicas básicas sobre cómo interactúan los átomos. Junto con las características aprendidas del grafo, PhysDual‑GCN calcula dos términos clásicos de energía: uno que captura la atracción y repulsión eléctrica entre cargas parciales y otro que describe las fuerzas de van der Waals. Estas energías basadas en la física se combinan con la representación interna de la GNN antes de que produzca una predicción de la fuerza de unión. En efecto, el modelo se entrena para imitar el comportamiento de los programas de docking clásicos —en particular AutoDock Vina y herramientas relacionadas— pero de forma más rápida y manteniéndose anclado a principios físicos conocidos.

Lo que el modelo predice en la práctica

Dado que no existen mediciones de laboratorio sobre la fuerza con la que estos fármacos se unen a DYRK2, los autores dependen de programas de docking para proporcionar puntuaciones de unión “de referencia” en unidades de energía. Evitan cuidadosamente introducir esas puntuaciones en el proceso de entrenamiento y las usan solo después para evaluar cuánto ha aprendido PhysDual‑GCN. Para los cuatro fármacos del Alzheimer, el modelo reproduce los valores de docking con errores medios pequeños (alrededor de un tercio de kilocaloría por mol) y ordena correctamente los compuestos: donepezilo y brexpiprazol resultan ser los que se unen con mayor afinidad, mientras que galantamina y rivastigmina aparecen más débiles pero aún razonablemente estables. Estos resultados muestran que la GNN informada por la física puede servir como sustituto computacional de ejecuciones de docking más lentas.

Promesas y límites del enfoque

A pesar de estos números alentadores, los autores enfatizan que su estudio tiene límites estrictos. Solo se examinaron cuatro fármacos y todas las evaluaciones dependen de otros programas informáticos en lugar de experimentos bioquímicos reales. La proteína DYRK2 se modela principalmente como un grafo unidimensional de la secuencia, no como una estructura tridimensional completa, por lo que el modelo aún no puede tener en cuenta la forma detallada de los bolsillos de unión. Las energías físicas en sí están simplificadas, usando parámetros y cortes típicos de campos de fuerza. Como resultado, el trabajo debe verse como una prueba de concepto: muestra que redes neuronales gráficas guiadas por la física pueden seguir de cerca las puntuaciones de docking clásicas en un entorno con pocos datos, pero no demuestra todavía que las predicciones coincidan con la realidad en el tubo de ensayo o en la clínica.

Qué significa esto para la investigación futura sobre el Alzheimer

Para quienes no son especialistas, el mensaje principal es que algoritmos inteligentes y conscientes de la física pueden ayudar a los científicos a explorar nuevos objetivos para el Alzheimer, como DYRK2, mucho más rápido que los métodos tradicionales por sí solos. Al destacar a donepezilo y brexpiprazol como candidatos prometedores para unirse a DYRK2 y ofrecer una forma transparente de aproximar resultados de docking, PhysDual‑GCN proporciona un punto de partida para estudios de laboratorio más profundos. Con bibliotecas de fármacos más grandes, información proteica 3D más rica y validación experimental, este tipo de modelo podría convertirse en una herramienta práctica para cribar tratamientos candidatos y guiar esfuerzos de reposicionamiento de fármacos destinados a ralentizar o modificar la evolución de la enfermedad de Alzheimer.

Cita: Gider, V., Budak, C. A physics-informed graph neural network to approximate docking-based binding affinity for DYRK2 in Alzheimer’s drug repurposing. Sci Rep 16, 8357 (2026). https://doi.org/10.1038/s41598-026-35102-7

Palabras clave: Enfermedad de Alzheimer, reposicionamiento de fármacos, redes neuronales gráficas, unión proteína‑ligando, quinasa DYRK2