• Universitat de València
• Universidad de Málaga
• The University of Texas health science center at Houston

• Jorge Gálvez Álvarez
• Jesús Hierrezuelo León
• María Luz Blasco Santamaría
• David Vela Corcia
• Jesús Cámara Almirón
• María Luisa Antequera Gómez
• Antonio de Vicente Moreno 
• Diego Romero
• Rubén Gómez Gutiérrez
• Rodrigo Morales Loyola

El mal plegamiento de ciertas proteínas, causado por mutaciones genéticas o por cambios en el entorno celular, altera la función normal de las proteínas y favorece la formación de placas en tejidos específicos. Esta acumulación provoca la degradación progresiva de células en el sistema nervioso central y periférico, generando un daño irreversible debido a la limitada capacidad de regeneración neuronal.

Enfermedades como el Alzheimer, el Parkinson, la enfermedad de Creutzfeldt-Jakob y diversas amiloidosis cerebrales y periféricas están estrechamente relacionadas con este proceso. Los tratamientos actuales se enfocan en aliviar los síntomas o ralentizar la progresión de la enfermedad, pero no abordan su causa. Por ello, es crucial desarrollar nuevas estrategias terapéuticas capaces de bloquear la agregación de proteínas mal plegadas.

Un equipo de investigación de la Universitat de València, la Universidad de Málaga y el University of Texas Health Science Center ha desarrollado un innovador método computacional para identificar compuestos con potencial actividad antiamiloide.

Este enfoque combina técnicas avanzadas de modelado molecular, como la metodología QSAR (Relación Cuantitativa Estructura-Actividad), con herramientas de machine learning (aprendizaje automático) para predecir y seleccionar moléculas con capacidad para inhibir la agregación de proteínas.

Los resultados han demostrado que varios compuestos identificados mediante esta estrategia son altamente eficaces para prevenir la agregación de proteínas, un proceso clave en el desarrollo de enfermedades neurodegenerativas. Este hallazgo representa una nueva vía para el diseño de terapias más efectivas y específicas.

Esta invención tiene un gran potencial en el sector farmacéutico y biotecnológico, especialmente en el tratamiento de enfermedades como el Alzheimer y el Parkinson, ambas relacionadas con la acumulación anómala de proteínas amiloides.

La identificación de inhibidores de la agregación de proteínas podría ser útil en la investigación de otras patologías similares, como las enfermedades priónicas o la esclerosis lateral amiotrófica (ELA).

El uso de machine learning en modelos QSAR supone un avance significativo en la búsqueda de nuevos tratamientos experimentales dentro de la investigación biomédica y la industria farmacéutica, proporcionando una herramienta poderosa para el descubrimiento de fármacos con actividad antiamiloide.

Este avance podría representar un paso significativo hacia el desarrollo de terapias innovadoras que podrían transformar el tratamiento de enfermedades neurodegenerativas, ofreciendo una alternativa terapéutica a millones de pacientes en todo el mundo.

Las principales ventajas de la invención son:

Alta eficacia en la identificación de moléculas antiamiloides:

El método permite seleccionar compuestos químicos capaces de inhibir la agregación de proteínas implicadas en procesos neurodegenerativos. Esto es especialmente relevante para enfermedades como el Alzheimer y el Parkinson, donde la agregación de proteínas amiloides mal plegadas juega un papel central en su desarrollo y progresión.

Potente actividad antiagregante:

Las moléculas identificadas mediante esta metodología han demostrado una capacidad excepcional para prevenir la formación de agregados proteicos, lo que las convierte en candidatos prometedores para el desarrollo de terapias dirigidas a contener el avance de enfermedades neurodegenerativas.

Reducción de costos y tiempo en investigación:

Al utilizar moléculas comercialmente accesibles y combinar modelos computacionales avanzados, este enfoque acelera el proceso de descubrimiento de fármacos, reduciendo significativamente los costos y el tiempo necesario para llegar a ensayos clínicos y potenciales tratamientos.

Potencial aplicación en múltiples enfermedades:

Además del Alzheimer y el Parkinson, este método podría aplicarse en el estudio de otras enfermedades relacionadas con la agregación proteica, como las enfermedades priónicas, la esclerosis lateral amiotrófica (ELA) y diversas formas de amiloidosis.

Enfoque preventivo y terapéutico:

Las moléculas identificadas no solo podrían tratar los síntomas, sino también prevenir la formación de agregados proteicos en etapas tempranas de la enfermedad. Esto abre la puerta a un nuevo paradigma en el tratamiento de enfermedades neurodegenerativas. Tras la identificación del patrón quimio-matemático asociado a la actividad antiagregante, esta metodología podría aplicarse en la búsqueda de productos naturales (derivados de plantas y alimentos) con efecto preventivo en pacientes con predisposición genética.

Impacto en la investigación biomédica y la industria farmacéutica:

Este método representa una herramienta poderosa para la comunidad científica y la industria farmacéutica, facilitando el descubrimiento de nuevos compuestos antiamiloides y abriendo nuevas posibilidades para el desarrollo de terapias innovadoras.

• Patente solicitada