Benefits of artificial intelligence in drug discovery

Abstract

Artificial intelligence (AI), and mainly one of its fields, machine learning (ML), present themselves as a great tool for drug discovery. Computer-aided drug design (CADD) has revolutionized the traditional drug discovery pipeline with the incorporation of adequate ML techniques at each stage of the process, cheapening and expediting results. Two major strands compose CADD, known as ligand-based drug design and structure-based drug design, each incorporating diverse ML techniques. In this regard, this work will review the main aspects of virtual screening (VS), which is employed to scan for “drug-like” molecules. In silico drug design can utilize ligand-based, structure-based or hybrid tools. Additionally, even though AI has centered its applicability at the earlier stages of the drug discovery pipeline, it is true that pre-clinical stages are also becoming promoted. Finally, one field of study where many difficulties for drug development appear is central nervous system (CNS) disorders. Thus, it seems convenient to include a section on recent practical advances in this area. In summary, this review aspires to provide a longitudinal view of the benefits AI can deliver in drug discovery.

La inteligencia artificial (AI), y principalmente uno de sus campos, el aprendizaje automático (ML, de sus siglas en inglés machine learning), están siendo una gran herramienta para el descubrimiento de nuevos fármacos. El diseño de fármacos asistido por ordenador (CADD, de sus siglas en inglés computer-aided drug discovery) ha revolucionado el proceso tradicional de desarrollo de fármacos con la incorporación de técnicas de ML adecuadas en cada etapa del proceso, abaratando y acelerando los resultados. El CADD se compone de dos vertientes principales, conocidas como diseño de fármacos basado en ligandos y diseño de fármacos basado en estructuras, incorporando cada una diferentes técnicas de ML. En este contexto, este trabajo revisará los principales aspectos del screening virtual (VS), que se utiliza para identificar compuestos que presenten una alta probabilidad de unirse a la diana terapéutica. El diseño de fármacos in silico puede utilizar herramientas bien basadas en ligandos, en estructuras moleculares o bien un formato híbrido de ambas. Adicionalmente, aunque la AI ha basado su aplicabilidad en las etapas tempranas del proceso de descubrimiento de fármacos, es cierto que las etapas preclínicas de investigación de fármacos también se están favoreciendo por la AI. Finalmente, un campo de estudio donde aparecen muchas dificultades para el desarrollo de fármacos es el de los trastornos del sistema nervioso central (CNS). Por lo tanto, parece conveniente incluir una sección sobre avances prácticos recientes en esta área. En resumen, esta revisión aspira a proveer una visión longitudinal de los beneficios que la AI puede ofrecer en el descubrimiento de fármacos.