Pharma IT

Cómo la IA está revolucionando el descubrimiento y desarrollo de fármacos

La IA puede transformar considerablemente el proceso de desarrollo de fármacos.

Por Michael Bani

Director, Editor (US & Europe)

5 jun 20248 min de lectura

Cómo la IA está revolucionando el descubrimiento y desarrollo de fármacos

Descubrimiento y desarrollo de fármacos han sido siempre procesos desafiantes porque requieren grandes presupuestos y plazos extensos. En consecuencia, el crecimiento de las empresas farmacéuticas depende directamente de sus presupuestos de I+D. Sin embargo, considerando el reciente auge de inteligencia artificial (IA), no sería erróneo suponer que la IA puede desempeñar un papel significativo en la revolución del proceso de descubrimiento y desarrollo de fármacos.

La IA ofrece las ventajas de acortar los plazos de descubrimiento de fármacos, mejorar el diseño de ensayos clínicos, asegurar la calidad, reposicionamiento de fármacos y análisis de combinaciones farmacológicas. Por lo tanto, la IA puede transformar considerablemente el proceso de desarrollo de fármacos.

¿Cómo está transformando la IA el proceso de I+D?

Primero entendamos cómo funciona típicamente un proceso de I+D farmacéutica: primero, los investigadores evalúan pacientes u organismos para identificar moléculas objetivo, por ejemplo, una proteína asociada a una enfermedad específica. Luego, los investigadores examinan exhaustivamente bibliotecas moleculares para identificar moléculas que puedan unirse a estas moléculas objetivo. A continuación, estas moléculas identificadas se prueban a fondo para convertirlas en posibles candidatos. Finalmente, estos candidatos se someten a pruebas de laboratorio, pruebas en animales y ensayos clínicos antes de ser comercializados.

Aunque esto ha sido simplificado, el proceso de I+D farmacéutica es bastante desafiante y los avances en el descubrimiento de fármacos son poco frecuentes. En general, el proceso de I+D farmacéutica puede llevar desde unas pocas semanas hasta décadas. La IA puede desempeñar un papel importante en el cambio de estos plazos:

IA transformando el proceso de I+D

Fuente

Identificación de objetivos

Se puede emplear IA para identificar moléculas objetivo y moléculas ligantes. La IA puede ser mucho más rápida en la identificación de estas moléculas que un investigador promedio. Algoritmos de aprendizaje automático pueden utilizarse para predecir proteínas, genes y mecanismos implicados en enfermedades específicas.

Optimización de leads

La IA puede utilizarse para identificar moléculas potenciales que puedan afectar directamente a los organismos causantes de la enfermedad (p. ej., bacterias, hongos, micro-organismos, etc.), proteínas, genes y mutaciones. Modelos de IA también pueden emplearse para comprender o predecir la eficacia de estas moléculas antes de las pruebas de laboratorio reales.

Detección de fallos preclínicos

Algoritmos de IA pueden utilizarse para predecir la toxicidad potencial de formulaciones y moléculas en una etapa temprana del desarrollo, lo que puede ayudar a evitar fallos en etapas avanzadas. Los algoritmos de IA pueden analizar estructuras moleculares y mecanismos para identificar toxicidad.

Aceleración del estudio clínico

Los modelos de IA pueden utilizarse para optimizar el proceso de reclutamiento de pacientes. Se pueden introducir datos de pacientes en estos modelos, que luego pueden identificar candidatos apropiados para el estudio clínico. Esto puede agilizar el proceso de reclutamiento y selección de pacientes, garantizando que todo el proceso ocurra sin sesgos.

Estos son solo algunos de los papeles que la IA puede desempeñar en el descubrimiento y desarrollo de fármacos. En última instancia, el papel de la IA en el descubrimiento de fármacos depende de la tecnología elegida. Actualmente existen muchas tecnologías impulsadas por IA, pero aquí están las más populares.

Tecnologías de IA en el descubrimiento de fármacos: Tecnologías clave impulsadas por IA utilizadas en el descubrimiento de fármacos

Aprendizaje automático y profundo

Los algoritmos ML pueden usarse para analizar conjuntos de datos y predecir la actividad biológica de compuestos. Los modelos DL como redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) puede usarse para identificar tendencias y relaciones entre conjuntos de datos.

Modelos QSAR

Modelos de relación cuantitativa estructura-actividad (QSAR) pueden usarse para predecir la actividad de compuestos en función de sus estructuras. Los modelos QSAR mejorados con ML pueden utilizarse para conjuntos de datos más grandes con estructuras complejas.

Modelos NLP

Modelos de PLN

Fuente

Procesamiento del lenguaje natural (NLP) los modelos pueden emplearse para realizar revisiones bibliográficas. Estos modelos pueden analizar patentes, informes de ensayos clínicos y estudios publicados para encontrar información relevante. Esto permite condensar el vasto proceso de revisión de la literatura en un periodo corto, integrando de forma exhaustiva datos de múltiples fuentes.

Química computacional

Actualmente, la química computacional se utiliza ampliamente para predecir estructuras porque ahorra tiempo y permite una predicción precisa de las estructuras. Estos algoritmos permiten a los investigadores explorar interacciones moleculares y propiedades de enlace a nivel atómico.

Simulaciones MD

Simulaciones de dinámica molecular (MD) son otra tecnología potenciada por IA que se utiliza cada vez más en el proceso de I+D farmacéutica. Las simulaciones MD permiten a los investigadores predecir el cambio en el comportamiento de las moléculas con el tiempo. Por ejemplo, las simulaciones MD pueden emplearse para predecir el cambio en el comportamiento molecular cuando la molécula se expone a estímulos específicos.

Aquí hay seis empresas que actualmente utilizan tecnologías potenciadas por IA para avances en el descubrimiento de fármacos:

Antidote ofrece una plataforma potenciada por IA donde se conectan pacientes e investigadores médicos.
Atomwise reduce el coste del desarrollo de fármacos usando sus superordenadores, que predicen qué medicamentos podrían funcionar utilizando su base de datos.
Turbine.AI identifica el mejor fármaco para un tumor objetivo e identifica biomarcadores del tumor. También identifica terapias combinadas para el tumor.
Row Analytics proporciona una plataforma que usa IA y análisis de datos para considerar múltiples variantes genéticas en diversas enfermedades.
Deep Genomics está utilizando DL para descifrar el significado de los genomas.
Insilico Medicine tiene como objetivo integrar la IA en todo el proceso de descubrimiento de fármacos y ensayos clínicos.

Sin embargo, a pesar de estos avances, la IA todavía está en una fase incipiente y aún enfrenta desafíos.

Desafíos que enfrenta la IA en el descubrimiento de fármacos

Privacidad de datos y requisitos regulatorios

Las tecnologías potenciadas por IA dependen en gran medida de los datos. Sin embargo, las leyes de protección de datos a nivel mundial son cada vez más estrictas, y las compañías farmacéuticas deben cumplir estrictamente con estas normativas, lo que puede dificultar la dependencia de la IA.

Mala calidad de los datos

Fuente

La IA solo puede ofrecer soluciones cuando dispone de un conjunto de datos grande y de alta calidad. Sin embargo, los datos fiables en el descubrimiento de fármacos son escasos y los datos disponibles son de mala calidad. Para impulsar la IA en el descubrimiento de fármacos, es necesario mejorar la calidad y la cantidad de los datos disponibles.

Altos costes

Aunque la IA puede ayudar a ahorrar tiempo y reducir costes durante el desarrollo de fármacos, la implementación de tecnologías de IA no es barata. Las empresas necesitan contratar personal especializado con experiencia técnica para entrenar los modelos. A menudo, esto puede ser igual de costoso.

Falta de estandarización

Aunque la mayoría de las empresas farmacéuticas siguen protocolos y tienen métodos establecidos de recopilación de datos, estos no son estándar entre diferentes compañías, países y regiones. Por ejemplo, una pregunta común de encuestas es “¿Cuánto duele X?” Los pacientes deben elegir entre una escala de 1 a 10. Sin embargo, no existen definiciones estandarizadas de estos números, lo que significa que, incluso si se recopilan datos de todas las empresas, no pueden compararse.

Conclusión

La IA puede cambiar el panorama del desarrollo de fármacos para mejor. Como se destacó en el artículo, las tecnologías potenciadas por IA pueden acelerar el costoso y prolongado proceso de desarrollo de fármacos que la mayoría de los equipos de I+D deben atravesar. Esto reducirá considerablemente el tiempo y los costes de desarrollo para las compañías farmacéuticas.

Se pueden integrar diversas tecnologías potenciadas por IA para mejorar el descubrimiento de fármacos; sin embargo, esta integración puede crear desafíos porque la mayoría de estas tecnologías aún están en una fase incipiente y requieren mayor desarrollo. Aun así, según los datos, la IA tiene un enorme potencial en el desarrollo y descubrimiento de fármacos.

Preguntas frecuentes

¿Puede utilizarse la IA después del descubrimiento de un fármaco?

Sí, la IA también puede integrarse en sistemas de monitorización como relojes inteligentes para identificar rápidamente posibles problemas de seguridad. En consecuencia, se pueden realizar intervenciones médicas en el momento adecuado.

¿Puede la IA reducir el coste del proceso de I+D farmacéutico?

¡Sí! La IA puede utilizarse para agilizar algunos pasos del proceso de I+D farmacéutico. A su vez, esto disminuirá la mano de obra dedicada a completar estos pasos, lo que reduce el coste global del proceso.

¿Puede la IA usarse para interacciones entre fármacos?

La IA puede utilizarse para predecir interacciones entre fármacos. Esto permitirá a las compañías farmacéuticas incluir las advertencias adecuadas con sus productos. Además, también se puede avisar a los profesionales sanitarios para que no prescriban estos productos simultáneamente.