Reaprovechamiento de fármacos impulsado por aprendizaje automático para el cáncer de mama HER2 positivo

Por qué importan los fármacos antiguos para los cánceres difíciles

Para muchas personas con una forma agresiva de cáncer de mama llamada HER2 positivo, los fármacos dirigidos actuales pueden perder eficacia con el tiempo, y desarrollar medicinas nuevas es lento y caro. Este estudio explora si algunas de las miles de pastillas ya disponibles en las farmacias podrían, en secreto, bloquear tumores impulsados por HER2, usando herramientas informáticas avanzadas para buscar ese potencial anticancerígeno oculto.

Entender el problema en términos sencillos

El cáncer de mama HER2 positivo está impulsado por una proteína en la superficie de las células cancerosas que envía señales fuertes para crecer y dividirse. Cuando hay demasiado HER2, estas células se multiplican rápidamente y a menudo se diseminan, y pueden aprender a eludir los fármacos modernos contra HER2. Dado que crear medicamentos nuevos puede llevar una década o más, la idea de reaprovechar fármacos resulta atractiva: en vez de empezar desde cero, los científicos prueban si fármacos aprobados y ya conocidos por su seguridad en otras enfermedades podrían también apagar HER2 en las células cancerosas.

Cómo ayudan los ordenadores a buscar entre miles de medicinas

Los investigadores reunieron primero información detallada sobre casi 14.000 compuestos químicos que habían sido probados contra HER2, incluyendo cuán fuertemente cada uno bloqueaba la proteína. Convirtieron cada molécula en cientos de características numéricas que describen su tamaño, forma, carga y otras propiedades. Con estos datos entrenaron varios tipos de modelos de aprendizaje automático para aprender la relación entre la estructura de una molécula y su capacidad para inhibir HER2. Tras limpiar cuidadosamente los datos y eliminar características débiles o redundantes, un tipo de modelo llamado Random Forest ofreció las predicciones más fiables, explicando correctamente alrededor de cuatro quintas partes de la variación en la actividad para moléculas nuevas.

De la predicción al docking dentro del objetivo cancerígeno

Con este modelo, el equipo pasó a una biblioteca real de 4.099 fármacos aprobados y la redujo a más de 1.600 pequeñas moléculas limpias y bien definidas. El modelo informático estimó cuán fuertemente podría cada fármaco bloquear HER2, destacando un subconjunto predictivamente muy potente. Estos candidatos principales se "anclaron" (docked) luego en estructuras tridimensionales de la proteína HER2 normal y en una forma mutante problemática encontrada en algunos cánceres resistentes. Las simulaciones de docking actúan como una prueba virtual de cerradura y llave, comprobando cuán ajustado encaja un fármaco en el bolsillo activo de HER2 y qué tipos de contactos a nivel atómico puede formar.

Seguimiento del candidato más prometedor a lo largo del tiempo

Un fármaco para el corazón y los ojos, timolol maleato (identificado como FDA0870 en el estudio), destacó repetidamente. Se situó entre los mejor puntuados tanto en la criba de aprendizaje automático como en las pruebas de docking para HER2 normal y mutante, formando fuertes enlaces de hidrógeno y contactos hidrofóbicos con regiones clave que controlan la actividad de la proteína. Para ver si este encaje se mantenía en condiciones más realistas, los investigadores realizaron largas simulaciones de dinámica molecular que imitan cómo las moléculas vibran y se mueven en un entorno acuoso similar al del cuerpo. A lo largo de nanosegundos a microsegundos de tiempo simulado, timolol permaneció firmemente alojado en el bolsillo de HER2 para ambas formas de la proteína. Pruebas informáticas adicionales sobre absorción, distribución, metabolismo, excreción y toxicidad sugirieron que su perfil farmacológico existente, permeabilidad moderada y seguridad eran, en general, adecuados para una exploración posterior.

Qué podría significar esto para los pacientes

En lenguaje cotidiano, este trabajo demuestra que canalizaciones informáticas inteligentes pueden cribar enormes cantidades de fármacos conocidos para encontrar aquellos con más probabilidades de funcionar contra cánceres difíciles, mucho antes de que comiencen las pruebas en laboratorio o en animales. Entre los muchos fármacos aprobados examinados, timolol surgió como un candidato sólido para ser reaprovechado como bloqueador doble tanto de HER2 estándar como mutante en cáncer de mama. Aunque los resultados son puramente computacionales y aún deben confirmarse mediante experimentos en células y animales, apuntan hacia una vía más rápida y potencialmente más económica para añadir nuevas herramientas contra la enfermedad HER2 positiva dando a medicamentos familiares un nuevo uso.

Cita: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Palabras clave: Cáncer de mama HER2 positivo, reaprovechamiento de fármacos, aprendizaje automático, docking molecular, timolol