Descubrimiento de fármacos por IA: cómo está cambiando el juego

El descubrimiento de fármacos de IA está explotando.

Sobrevaloradas o no, las inversiones en el descubrimiento de fármacos de IA aumentaron de $450 millones en 2014 a la friolera de $58 mil millones en 2021. Todos los gigantes farmacéuticos, incluidos Bayer, AstraZeneca, Takeda, Sanofi, Merck y Pfizer, han aumentado el gasto con la esperanza de crear Soluciones de inteligencia artificial de la nueva era que aportarán rentabilidad, velocidad y precisión al proceso.

El descubrimiento tradicional de fármacos ha sido notoriamente difícil durante mucho tiempo. Lleva al menos 10 años y cuesta $ 1.3 mil millones traer un nuevo medicamento al mercado. Y este es solo el caso de los medicamentos que tienen éxito en los ensayos clínicos (solo uno de cada diez lo logra).

De ahí el interés por encontrar nuevas formas de descubrir y diseñar fármacos.

La IA ya ha ayudado a identificar terapias candidatas prometedoras, y no tomó años, sino meses o incluso días.

En este artículo, exploraremos cómo el descubrimiento de fármacos de IA está cambiando la industria. Veremos historias de éxito, beneficios de IA y limitaciones. Vamos.

Cómo se descubren las drogas

El proceso de descubrimiento de fármacos generalmente comienza cuando los científicos identifican un objetivo en el cuerpo, como una proteína u hormona específica, que está involucrada en la enfermedad. Luego usan diferentes métodos para encontrar una posible solución, un candidato a fármaco, que incluye:

1. Detección de compuestos existentes : los científicos pueden examinar bibliotecas de compuestos (productos naturales o químicos) que hayan creado antes, para verificar si alguno de ellos tiene la actividad deseada o la interacción con el objetivo.
2. Diseño de fármacos de novo : pueden usar modelos y simulaciones por computadora para desarrollar nuevos compuestos químicos que puedan hacer el trabajo. Este enfoque se utiliza para crear fármacos de molécula pequeña, que son compuestos sintetizados químicamente con un tamaño inferior a 1500 daltons.
3. Productos biológicos : los investigadores también pueden generar moléculas biológicas como anticuerpos, enzimas o proteínas para que actúen como fármacos. Esto implica aislar o sintetizar moléculas de organismos vivos que puedan interactuar con el objetivo. En comparación con las moléculas pequeñas, estas moléculas suelen ser más grandes y más complejas.
4. Reutilización : los científicos pueden echar un vistazo a los compuestos que se desarrollaron para otra cosa y ver si tienen potencial terapéutico para la enfermedad en cuestión.

Una vez que se encuentra un posible candidato a fármaco (llamado compuesto líder), se prueba en células o animales, antes de pasar a ensayos clínicos que incluyen tres fases, comenzando con pequeños grupos de voluntarios sanos y luego procediendo a grupos más grandes de pacientes que sufren de la condición específica.

Cómo se aplica la IA

La inteligencia artificial cubre varias tecnologías y enfoques que implican el uso de métodos computacionales sofisticados para imitar elementos de la inteligencia humana, como la percepción visual, el reconocimiento del habla, la toma de decisiones y la comprensión del lenguaje.

La IA comenzó en la década de 1950 como una simple serie de reglas "si, entonces" y se abrió paso en la atención médica dos décadas después de que se desarrollaran algoritmos más complejos. Desde la llegada del aprendizaje profundo en la década de 2000, las aplicaciones de IA en el cuidado de la salud se han expandido.

Algunas tecnologías de IA están potenciando el diseño de fármacos.

Aprendizaje automático

El aprendizaje automático (ML) se centra en entrenar algoritmos informáticos para aprender de los datos y mejorar su rendimiento, sin estar programados explícitamente.

Las soluciones de ML abarcan una diversa gama de ramas, cada una con sus propias características y metodologías únicas. Estas ramas incluyen el aprendizaje supervisado y no supervisado, así como el aprendizaje por refuerzo, y dentro de cada uno, existen varias técnicas algorítmicas que se utilizan para lograr objetivos específicos, como la regresión lineal, las redes neuronales y las máquinas de vectores de soporte. ML tiene muchas áreas de aplicación diferentes, una de las cuales es en el campo del descubrimiento de fármacos de IA, donde permite lo siguiente:

• Detección virtual de compuestos para identificar posibles candidatos a fármacos
• Modelado predictivo de eficacia y toxicidad de fármacos
• Identificación de nuevas dianas para el desarrollo de fármacos
• Análisis de datos genómicos y proteómicos a gran escala recopilados de organismos vivos (secuencias de ADN, niveles de expresión génica, estructuras de proteínas, etc.)
• Optimización de la dosificación de fármacos y regímenes de tratamiento
• Modelado predictivo de las respuestas de los pacientes al tratamiento

Aprendizaje profundo

Deep Learning (DL) es un subconjunto de ML basado en el uso de redes neuronales artificiales (ANN). Las ANN están formadas por nodos interconectados, o "neuronas", que están conectadas por vías, llamadas "sinapsis". Al igual que en el cerebro humano, estas neuronas trabajan juntas para procesar información y hacer predicciones o decisiones. Cuantas más capas de neuronas interconectadas tiene una red neuronal, más "profunda" es.

A diferencia de los algoritmos de aprendizaje supervisados y semisupervisados que pueden identificar patrones solo en datos estructurados, los modelos DL son capaces de procesar grandes volúmenes de datos no estructurados y hacer predicciones más avanzadas con poca supervisión de humanos.

En el descubrimiento de fármacos de IA, DL se utiliza para:

• Detección virtual mejorada de bibliotecas compuestas para identificar aciertos con una mayor probabilidad de unirse a un objetivo
• Perfiles basados en imágenes para comprender los fenotipos asociados a la enfermedad, los mecanismos de la enfermedad o la toxicidad de un fármaco
• Predicción más precisa de cómo se absorberá, distribuirá, metabolizará y excretará un fármaco del cuerpo (propiedades farmacocinéticas)
• Predicción de interacciones fármaco-diana y afinidad de unión
• Predicción de la estructura de las proteínas que representan la mayoría de los objetivos farmacológicos identificados actualmente
• Generación de nuevos compuestos similares a fármacos con las propiedades físicas, químicas y de bioactividad deseadas
• Automatización de procesos de ensayos clínicos y diseño de protocolos

Procesamiento del lenguaje natural (PNL)

La PNL se basa en una combinación de técnicas de la lingüística, las matemáticas y las ciencias de la computación, incluidos los modelos DL, para analizar, comprender y generar el lenguaje humano. La investigación de descubrimiento de fármacos de IA a menudo usa NLP para extraer información de datos estructurados y no estructurados para lograr lo siguiente:

1. Minería de textos de literatura científica para identificar asociaciones entre entidades químicas/medicamentosas, sus objetivos y nuevas vías relacionadas con enfermedades
2. Extraer información estructurada de registros de salud electrónicos (EHR, por sus siglas en inglés) no estructurados, como datos demográficos, diagnósticos y medicamentos del paciente
3. Identificar eventos adversos de medicamentos mediante el análisis de datos de texto de las redes sociales, artículos de noticias y otras fuentes
4. Determinar los criterios de elegibilidad de los ensayos clínicos en función de los protocolos y emparejar a los pacientes con los ensayos.
5. Resumen de la información sobre medicamentos

Por qué el descubrimiento de fármacos de IA es la comidilla de la ciudad ahora

En los últimos años, las empresas del sector farmacéutico han tomado medidas para incorporar la IA en sus métodos de investigación. Esto incluye la creación de equipos de IA internos, la contratación de profesionales de la salud y analistas de datos de IA, el respaldo de nuevas empresas con un enfoque de IA y la asociación con empresas de tecnología o centros de investigación.

Una combinación de factores está impulsando esta tendencia.

El creciente poder de las computadoras y los nuevos desarrollos de IA

Los avances tecnológicos recientes han cambiado el enfoque tradicional de la investigación de descubrimiento de fármacos de IA.

Dado que la mayoría de las empresas del sector (alrededor de 150 en 2022 según BiopharmaTrend AI Report ) continúan ocupadas diseñando moléculas pequeñas, que son fáciles de representar computacionalmente y comparar a escala, también hay un interés creciente en nuevas aplicaciones de IA. en el descubrimiento de fármacos.

Muchas empresas están comenzando a adoptar la IA para diseñar productos biológicos (77 empresas) y descubrir biomarcadores que indican la presencia o progresión de una enfermedad (59). Otros se centran en construir plataformas integrales de descubrimiento de fármacos de IA, identificar nuevos objetivos o crear ontologías: representaciones estructuradas de relaciones entre diferentes entidades, como compuestos químicos, proteínas y enfermedades.

Ampliación del acceso a las herramientas de IA

Como la escasez de talento en IA no muestra signos de disminuir, las barreras de entrada al descubrimiento de fármacos de IA en realidad se han reducido. Los proveedores de tecnología y los gigantes farmacéuticos están lanzando plataformas de IA cada vez más sofisticadas, que incluyen sistemas listos para usar sin código y de arrastrar y soltar que permiten a los no expertos en IA integrar la inteligencia artificial en su investigación. Estos desarrollos están jugando un papel importante en la adopción acelerada de la IA por parte de la industria.

Historias de éxito habilitadas para IA

Los proyectos de descubrimiento de fármacos de IA llevados a cabo en la academia y la industria ya han producido los primeros resultados exitosos en toda la cadena de valor del descubrimiento de fármacos. Ejemplos incluyen:

• DeepMind ha construido el sistema de inteligencia artificial AlphaFold que puede predecir la estructura 3D de una proteína a partir de su secuencia de aminoácidos unidimensional en segundos en lugar de los meses o años que normalmente tomaría. El sistema se utilizó para predecir más de 200 millones de estructuras de proteínas pertenecientes a animales, plantas, bacterias, hongos y otros organismos.
• Investigadores de la Universidad de Washington han desarrollado un modelo de aprendizaje profundo que utiliza computadoras de juegos para calcular estructuras de proteínas en 10 minutos.
• Deep Genomics ha utilizado tecnologías de inteligencia artificial para detectar más de 2400 enfermedades y 100 000 mutaciones para predecir el mecanismo exacto que causa la enfermedad en una mutación de la enfermedad de Wilson y crear un fármaco DG12P1 en 18 meses.
• Aladdin ha lanzado una plataforma patentada de descubrimiento de fármacos de IA para uso comercial en la detección virtual, hit-to-lead, optimización de leads y la fase preclínica. Esta plataforma ayudó a Aladdin a identificar una serie de compuestos farmacológicos para un posible tratamiento de enfermedades relacionadas con la edad.
• IBM ha desarrollado el sistema Watson con capacidades de computación cognitiva que utiliza la industria farmacéutica para hacer coincidir a los pacientes con los ensayos clínicos adecuados para su condición. En un ensayo clínico para el cáncer de mama, la plataforma demostró un aumento del 80 % en la inscripción y una reducción en el tiempo de comparación del ensayo.
• AbCellera tardó menos de tres meses en desarrollar un anticuerpo monoclonal para neutralizar las variantes virales de COVID-19 y obtener la aprobación de la Administración de Drogas y Alimentos de los Estados Unidos (FDA).
• BenevolentAI ha combinado su gráfico de conocimiento con herramientas de inteligencia artificial para descubrir baricitinib como un posible tratamiento para el COVID-19 en varios días.
• BioXcel Therapeutics ha acelerado el descubrimiento de la dexmedetomidina como sedante para pacientes con esquizofrenia y trastornos bipolares. La compañía obtuvo la aprobación de la FDA para su película sublingual patentada de dexmedetomidina (IgalmiTM) en menos de cuatro años después de sus primeros ensayos en humanos.
• Usando IA, Exscientia ha diseñado tres moléculas pequeñas para entrar en ensayos clínicos en un lapso de dos años (para el tratamiento de la psicosis de la enfermedad de Alzheimer, el trastorno obsesivo-compulsivo y la inmuno-oncología).
• A principios de 2023, Insilico informó resultados positivos de primera línea en un ensayo clínico de fase 1 de la primera molécula novedosa diseñada por IA para un objetivo novedoso descubierto por IA para tratar la fibrosis pulmonar idiopática (FPI).
• En 2021, 13 productos biológicos derivados de IA alcanzaron la etapa clínica, con áreas de terapia que incluyen COVID-19, oncología y neurología.

Beneficios y desafíos en el descubrimiento de fármacos de IA

La IA es una herramienta poderosa que promete revolucionar la industria farmacéutica. Con su capacidad para analizar grandes cantidades de datos y hacer predicciones, la inteligencia artificial puede ayudar a los investigadores a superar los obstáculos que han obstaculizado durante mucho tiempo el proceso de descubrimiento de fármacos al permitir:

• Plazos reducidos para las etapas de descubrimiento y preclínicas
• Predicciones más precisas sobre la eficacia y seguridad de los medicamentos
• Conocimientos nuevos e inesperados sobre los efectos de los medicamentos y las enfermedades
• Nuevas líneas de investigación y nuevas estrategias de I+D+i
• Ahorro de costos a través de análisis y automatización más rápidos

Según Insider Intelligence, la IA puede ahorrarle a la industria farmacéutica hasta un 70 % de los costos de descubrimiento de fármacos. El potencial de la IA en el descubrimiento de fármacos es realmente emocionante, pero hay algunos obstáculos que deben abordarse primero para explotarlo al máximo.

Datos

Cuando se trata de IA, siempre se trata de datos de entrada. Los silos de datos y los sistemas heredados que no permitirían su consolidación son grandes obstáculos para la investigación de IA en cualquier dominio. En la industria farmacéutica, el problema puede ser aún más pronunciado.

Tradicionalmente, las compañías farmacéuticas han sido malas compartiendo datos , ya sean resultados de estudios clínicos o información de pacientes no identificados, mientras que la gran cantidad de datos que tienen pueden proporcionar respuestas a preguntas que el investigador original nunca consideró.

Cuando finalmente se trata de compartir datos, a menudo son incompletos, inconsistentes o sesgados, como es el caso de los conjuntos de datos utilizados para predecir las afinidades de unión de proteínas y ligandos que son cruciales para el descubrimiento de fármacos. En algunos casos, es posible que los datos ni siquiera reflejen a toda la población y que el modelo de IA se quede corto en los escenarios del mundo real.

Complejidad

La gran complejidad de los sistemas biológicos dificulta el análisis y las predicciones de los cambios espaciales y temporales en su comportamiento mediante la IA.

Hay una gran cantidad de interacciones complejas y dinámicas dentro de los sistemas biológicos donde cada elemento, como proteínas, genes y células, puede tener múltiples funciones y verse afectado por múltiples factores, incluidas variaciones genéticas, condiciones ambientales y estados de enfermedad.

Las interacciones entre diferentes elementos también pueden ser no lineales, lo que significa que pequeños cambios en un elemento pueden generar grandes cambios en el sistema general. Por ejemplo, un solo gen que controla la división celular puede tener un gran impacto en el crecimiento de un tumor, o las interacciones entre múltiples proteínas pueden conducir al desarrollo de estructuras altamente específicas y complejas, como el citoesqueleto de una célula.

Otro desafío es la falta de personal calificado para manejar las herramientas de descubrimiento de fármacos de IA.

Interpretabilidad

El uso de redes neuronales en el descubrimiento de fármacos de IA ha superado los límites de lo que es posible, pero la falta de su interpretabilidad plantea un desafío importante. Conocidos como cajas negras, estos modelos de IA pueden producir las predicciones más precisas posibles, pero incluso los ingenieros no pueden explicar el razonamiento detrás de ellas. Esto es particularmente desafiante en el aprendizaje profundo, donde la complejidad de comprender el resultado de cada capa aumenta a medida que crece la cantidad de capas.

Esta falta de transparencia puede conducir a soluciones defectuosas y reducir la confianza en la IA entre investigadores, profesionales médicos y organismos reguladores. Para abordar este desafío, existe una necesidad creciente de desarrollar una IA confiable y explicable.

Terminando

Continúan surgiendo nuevos medicamentos que están cambiando el juego para los pacientes.

Apenas 15 años después de que se identificara al VIH como la causa del SIDA en la década de 1980, la industria farmacéutica ha desarrollado una terapia multimedicamentosa que permite a las personas afectadas por el virus llevar una vida normal. Gleevec de Novartis prolonga la vida de los pacientes con leucemia. Incivek de Vertex Pharmaceuticals ha duplicado las tasas de curación de la hepatitis C. Keytruda de Merck reduce en un 35 % el riesgo de que el cáncer regrese después de que los pacientes se sometieron a cirugía para extirpar el melanoma.

Pero no todos los medicamentos nuevos son iguales.

Un análisis reciente de más de 200 nuevos medicamentos realizado en Alemania reveló que solo el 25 % proporcionó ventajas significativas sobre los tratamientos existentes. Los medicamentos restantes produjeron beneficios mínimos o nulos, o su impacto fue incierto.

Dada la naturaleza costosa y lenta del descubrimiento de fármacos, está claro que la industria farmacéutica necesita cambios importantes. Y ahí es donde el descubrimiento de fármacos de IA podría desempeñar un papel. Hay muchas posibilidades de que la inteligencia artificial pueda hacer una contribución transformadora que vaya más allá de acelerar el tiempo de llegada a la clínica.

¿Está pensando en su propio proyecto de descubrimiento de fármacos de IA? Envíenos una línea . Con años de experiencia en la creación de soluciones de IA para el cuidado de la salud, somos su socio adecuado.