ciencia
El consorcio global de científicos que desarrolla fármacos sin patente para afrontar futuras pandemias
Se decidió crear un modelo para el desarrollo acelerado y sin patentes de medicamentos para tratar las amenazas virales a la humanidad.
Una campaña internacional de colaboración colectiva para descubrir un fármaco contra la Covid-19 ha creado un modelo para el desarrollo acelerado y sin patentes de medicamentos para tratar las amenazas virales a la humanidad. Los resultados de la campaña, Covid Moonshot, codirigida por el profesor Nir London del Instituto de Ciencias Weizmann e investigadores de la Universidad de Oxford, el Centro Oncológico Memorial Sloan Kettering y la empresa de biotecnología estadounidense PostEra, se publicaron en la revista Science.
Mientras se dedicaban a descubrir fármacos antivirales eficaces durante la pandemia de coronavirus, London y sus colegas internacionales tomaron una decisión poco habitual: decidieron permitir el acceso totalmente abierto a los resultados de sus búsquedas de fármacos y publicarlos en línea en tiempo real para que toda la comunidad científica pudiera utilizarlos. “En un momento de crisis mundial, parecía lo más lógico”, recordó London. En ese momento, colaboraba con investigadores de la Universidad de Oxford y del sincrotrón nacional británico Diamond Light Source, que habían resuelto la estructura 3D de una proteína clave del Covid-19. Esta proteína, llamada proteasa principal, es crucial para la replicación del virus. London estaba trabajando con los científicos británicos en la búsqueda de una molécula que bloqueara esta enzima: su laboratorio en el Departamento de Biología Química y Estructural de Weizmann desarrolla tecnologías para acelerar el descubrimiento de nuevos fármacos, en particular pequeñas moléculas que bloquean ciertos tipos de actividad proteica.
En este proyecto conjunto, los científicos encontraron unos 80 compuestos que podrían servir como puntos de partida para el desarrollo de fármacos antivirales. Luego se asociaron con PostEra, utilizando las herramientas de aprendizaje automático de esa empresa para identificar los más prometedores de estos compuestos y buscar otros nuevos.