MarkTechPost muestra cómo construir un coscientífico de IA con QSAR para buscar inhibidores de EGFR

El 6 de julio de 2026, MarkTechPost publicó un tutorial práctico para crear un coscientífico de IA autónomo que busque inhibidores de la mutación EGFR C797S, una de las causas de resistencia a fármacos en el cáncer de pulmón.

Cómo recopila datos el sistema

El pipeline empieza por definir la proteína diana: con las bases de datos ChEMBL y UniProt, los autores obtienen información estructural y funcional sobre EGFR y su forma C797S, resistente a la terapia. De ChEMBL extraen registros de actividad experimental IC50, la concentración de una sustancia a la que se inhibe la mitad de la actividad de la diana. Estos valores se convierten a pIC50, una escala logarítmica estándar de la fuerza de unión, adecuada para entrenar un modelo de aprendizaje automático.

• Fuentes de datos: ChEMBL (actividad química) y UniProt (diana proteica)
• Mutación objetivo: EGFR C797S, una de las causas de la resistencia de los tumores a los fármacos dirigidos
• Medida de actividad: IC50, convertida a pIC50
• Codificación de la estructura molecular: huellas de Morgan mediante la biblioteca RDKit
• Modelo: Random Forest con división de la muestra por scaffold (scaffold-split)

Cómo se entrena el modelo QSAR

Tras recopilar y limpiar los datos, RDKit estandariza las estructuras químicas y calcula las huellas de Morgan, vectores numéricos que codifican el entorno de cada átomo de la molécula. Con estas características se entrena un modelo Random Forest que aprende a predecir el valor de pIC50 de compuestos nuevos, que no ha visto antes.

El detalle metodológico clave es el scaffold-split. En lugar de dividir los datos al azar en conjuntos de entrenamiento y de prueba, los autores agrupan las moléculas por su armazón químico y evitan que compuestos con el mismo esqueleto acaben en ambos conjuntos. Así se comprueba con más rigor si el modelo es capaz de generalizar a clases de sustancias estructuralmente nuevas, y no solo de memorizar variantes de moléculas que ya conoce.

Para qué sirven SHAP y la generación de candidatos

Para entender qué fragmentos de la molécula aumentan la actividad predicha, los autores aplican SHAP, un método de interpretación de modelos de aprendizaje automático que muestra la contribución de cada característica a la predicción final. Así el Random Forest deja de ser una caja negra y se convierte en una herramienta que indica a los químicos qué elementos estructurales conviene conservar o reforzar en los nuevos candidatos.

A continuación, el pipeline incorpora el algoritmo BRICS, que descompone las moléculas activas conocidas en fragmentos por los puntos de ruptura de enlaces típicos de la síntesis química. Al reensamblar esos fragmentos en combinaciones nuevas, el sistema genera una biblioteca de estructuras candidatas y, con el modelo QSAR entrenado, las clasifica por su fuerza de unión prevista a EGFR C797S, seleccionando las más prometedoras para su verificación posterior.

Qué significa

El tutorial muestra cómo la combinación de bases de datos abiertas, RDKit, aprendizaje automático clásico e IA explicable se convierte en una herramienta útil para las primeras fases del desarrollo de fármacos, sin plataformas propietarias y con una lógica transparente en cada predicción que un químico puede verificar.

Preguntas frecuentes

¿Qué es el scaffold-split en el entrenamiento de un modelo QSAR?

Es una forma de dividir los datos en conjuntos de entrenamiento y de prueba según el armazón químico de las moléculas, y no al azar. Así se comprueba si el modelo puede predecir la actividad de estructuras realmente nuevas, y no solo reconocer las parecidas a las que ya ha visto.

¿Para qué se necesitan los fragmentos BRICS en el pipeline?

BRICS descompone las moléculas activas conocidas en fragmentos por los puntos de ruptura de enlaces típicos de la síntesis y permite después reensamblarlos en nuevas estructuras candidatas, que el modelo clasifica por su fuerza de unión prevista a EGFR C797S.