Institución da golpe de timón en la fisicoquímica

Laboratorios de la UCR logran nuevos modelos predictivos que impactarán a la ciencia y la industria

Imagen de proceso en laboratorio.

Foto: Laura Rodríguez Rodríguez.

Front Cover: Critical Assessment of pH-Dependent Lipophilicity Profiles of Small Molecules: Which One Should We Use and In Which Cases? (ChemPhysChem 24/2023)

Una investigación 100 % de la Universidad de Costa Rica, realizada con estudiantes de maestría y financiada con fondos de la Vicerrectoría de Investigación, fue publicada por la prestigiosa revista ChemPhysChem de  Chemistry Europe. 

La investigación además de ser la portada de la publicación internacional, fue listada como recomendación del editor, lo que realza la fortaleza da la investigación UCR en el campo disciplinar en el contexto internacional. 

Los laboratorios CBio3, de la Escuela de Química y en el LaToxCIA, del Laboratorio de Ensayos Biológicos (LEBi), demostraron con modelos teóricos cuál es la ecuación para predecir, y de forma más consistentemente, el valor del coeficiente de distribución que determina la participación de un compuesto entre un disolvente orgánico y otro acuoso (logD), lo cual sirve como un modelo para predecir permeación de drogas y bioacumulación de contaminantes, entre otras muchas propiedades.

Los resultados publicados por Chemistry Europe sientan un precedente conceptual, pues el logD ha sido mayoritariamente calculado en la literatura ignorando la presencia de iones en la fase no polar. Sin embargo, en el artículo se demuestra que lo que se creía verdad,  no lo es en un 100 %.Esto es lo realmente importante, pues la investigación muestra justo el paso que transiciona de la ciencia básica a la aplicada, en este caso con posibles impactos en química ambiental , de alimentos entre otros campos.  

Como lo comentó en sus redes sociales la Dra. Greta Heydenrych, antigua editora en jefe de la revista y actual jefe de operaciones de la Unión Internacional de Química Pura y Aplicada ( IUPAC) se trata de los primeros costarricenses en lograr una portada en esta revista, una de las revistas más prestigiosas en química y específicamente el área de fisicoquímica.  “As former editor of ChemPhysChem, I am very glad to see this cover, which probably is a first for Costa Rica! 😄👍!!” 

El trabajo que abre una nueva ventana al conocimiento de la fisicoquímica se desarrolla en los laboratorios CBio3 y LaToxCIA de la Escuela de Química y del LEBi de la Universidad de Costa Rica. 

–¿A qué se dedican los laboratorios CBio3 y LaToxCIA de la UCR? 

–Dr. William J. Zamora R:  LaToxCIA y CBio³ son laboratorios hermanos. CBio³ se dedica a la investigación en las áreas de quimioinformática, bioinformática, biofísica, química teórica, fisicoquímica y diseño de fármacos; todo esto mediante el uso de herramientas computacionales. Posee proyectos de investigación que incluyen: el diseño de nuevos superantibioticos bioinspirados, desarrollo de modelos de aprendizaje automático para la predicción de propiedades fisicoquímicas de moléculas pequeñas, estudio de péptidos con propiedades neuroprotectoras y antioxidantes, modelos teóricos para perfiles de lipofilicidad de compuestos ionizables, entre otros.

Similarmente, LaToxCIA es un laboratorio computacional, en donde su principal enfoque es crear modelos de aprendizaje automático. Pero, estos modelos se enfocan más en la predicción de propiedades toxicológicas y efectos en el ambiente de sustancias químicas. Se evalúan modelos de clasificación de bioacumulación, toxicidad, entre otros.

–¿Cuáles podrán ser sus aplicaciones futuras?

–WZR: El trabajo servirá como una herramienta para la comunidad científica que trabaja en el diseño de fármacos, en química de alimentos y química ambiental, de allí su relevancia, es un estudio de ciencia básica que puede ser aplicado en múltiples disciplinas. Por ejemplo, se han realizado correlaciones interesantes de cómo se distribuyen fármacos dentro de los componentes de una muestra de leche adulterada (cuajo, suero, etc.) con el logD, ya que así se puede estudiar mejor cuáles fármacos que se le brindan al ganado bovino pueden acumularse en la leche. Similarmente, se ha utilizado el logD de sustancias en un sistema silicona/agua para estudiar la capacidad de la silicona para absorber sustancias tóxicas en muestras de agua contaminada. Estos dos ejemplos anteriores son dos de las diversas aplicaciones que estudiamos en nuestro artículo, en donde se observó que estas investigaciones se beneficiarían de nuestro modelo, para analizar cuál formalismo de logD es el más apropiado para las sustancias que quieren analizar.

El modelo de Machine Learning creado podrá ser ampliamente utilizado en investigaciones como las de los dos ejemplos anteriores. Se podrá realizar un análisis de contaminantes en leche o en fuentes de agua desde la comodidad de una computadora, sin la presencia los contratiempos comunes de un laboratorio (falta de reactivos, equipos, procedimientos, etc.). Nuestro modelo, al igual que la quimioinformática en general, busca potencialmente ahorrar tiempo y costos a investigaciones químicas, al igual que brindar predicciones útiles que brinden resultados exactos.

–El artículo publicado hace referencia a información novedosa sobre la lipofilicidad, ¿de qué se trata? 

–WZR: La lipofilicidad es una propiedad físicoquímica de los compuestos químicos que corresponde a la capacidad de disolverse en sustancias no polares como las grasas, aceites y lípidos. Esta propiedad es de gran importancia en las áreas de química medicinal, química de alimentos y química ambiental, ya que da un indicativo de si el compuesto tendrá algún efecto en el cuerpo humano o en el ambiente.

El equipo de investigación conformado entre otros por Esteban Bertsch, Sebastián Suñer, Dr. Silvana Pinheiro, y el Prof. Dr. William J. Zamora

Foto: Laura Rodríguez Rodríguez.

–¿Cuál es la relevancia científica del artículo? 

–WZR: En el artículo, se comparan dos modelos matemáticos para calcular el coeficiente de distribución (una forma de cuantificar la lipofilicidad, usualmente conocido como logD). Los modelos difieren en que uno considera que las especies iónicas son capaces de disolverse en el medio no polar, mientras que el otro (el más utilizado históricamente y en la actualidad) no lo considera. Al comparar con datos experimentales, se demostró que el modelo que sí toma en cuenta este fenómeno, predice de mejor manera y más consistentemente el valor del coeficiente de distribución.  Sin embargo, hay casos en los que ambos modelos son adecuados, por lo cual se desarrolló un modelo de aprendizaje automático que determina cual modelo es más adecuado utilizar a partir de las propiedades estructurales de las moléculas de los compuestos de estudio.

Este artículo es muy novedoso y relevante, ya que sienta un precedente conceptual, en donde el logD ha sido mayoritariamente calculado en la literatura ignorando la presencia de iones en la fase no polar. Sin embargo, en nuestro artículo demostramos que esto no es 100% cierto. Hay algunos casos en los que sí se puede ignorar. Pero, hay otros casos en los que no. Creamos una serie de reglas a seguir para determinar cuál formalismo usar (si una molécula es pequeña, hidrofóbica, polarizable, rígida, con muchos heteroátomos, etc.). No obstante, estas reglas pueden ser difíciles de seguir (y hasta en ciertos casos subjetivas). Por ello, decidimos crear un modelo de Machine Learning (cuyo script es de acceso libre: https://github.com/cbio3lab/Lip_profiles/tree/main) que, con base en estas reglas, dicte cuál formalismo dará una mejor predicción de logD.