Inteligencia Artificial y Aprendizaje Automático transformando el descubrimiento de fármacos

Desarrollar nuevos medicamentos y productos farmacéuticos es un proceso complejo, intensivo en recursos y costoso, con una tasa de fracaso inimaginablemente alta. Para reducir la carga general y cumplir los altos requisitos del descubrimiento de fármacos, las compañías farmacéuticas buscan integrar la inteligencia artificial (AI) y el aprendizaje automático (ML) en sus procesos de descubrimiento. Los sistemas potenciados por AI ya se han incorporado en varios procesos operativos en empresas farmacéuticas. Por ejemplo, GenAI y chatbots basados en IA se utilizan con regularidad.

La integración de AI y ML en el descubrimiento de fármacos es prometedora. Las soluciones potenciadas por AI y ML han mejorado la eficiencia y las tasas de éxito de varios procesos en diversas industrias. Este potencial también puede trasladarse al descubrimiento de fármacos. Sin embargo, dado que el descubrimiento de fármacos es un proceso complejo, las soluciones de AI y ML pueden integrarse en varios pasos clave para acelerar el cronograma.



¿Cuál es el alcance?

AI y ML pueden transformar el descubrimiento de fármacos al contribuir en algunas áreas clave de la cadena de descubrimiento:

Identificación y validación de dianas

La identificación de dianas lleva mucho tiempo porque los investigadores deben analizar miles de proteínas y moléculas de muestras de pacientes para identificar aquellas que desempeñan papeles clave en la transmisión y progresión de la enfermedad. Los modelos de AI y ML pueden analizar grandes conjuntos de datos para identificar nuevas dianas farmacológicas, reduciendo el tiempo requerido. Además, los modelos de ML pueden predecir genes y proteínas asociados a la enfermedad en pacientes, que solo necesitan ser verificados, acelerando el cronograma de desarrollo de fármacos.

Cribado de candidatos de compuestos

El cribado de candidatos implica probar compuestos contra la diana identificada para determinar su potencial como tratamiento. Sin embargo, existen miles de bibliotecas para examinar, lo que convierte esto en un proceso que consume tiempo y recursos. No obstante, los modelos de AI pueden examinar las bibliotecas disponibles y listar compuestos prospectivos.

Predicción de interacciones fármaco-fármaco y efectos secundarios

Los modelos de AI y ML entrenados con datos de interacción molecular pueden predecir los efectos adversos de candidatos farmacológicos cuando se usan con otros medicamentos. El candidato farmacológico puede entonces modificarse para reducir tales interacciones o efectos secundarios. Además, estos modelos también pueden predecir la toxicidad a corto y largo plazo del candidato, evitando posibles interrupciones más adelante en la fase de desarrollo.

Medicina personalizada y desarrollo de fármacos de precisión

A medida que la medicina personalizada y el desarrollo de fármacos de precisión cobran mayor interés, los modelos de AI y ML pueden acelerar su integración. Los modelos de AI pueden personalizar el fármaco según la genética del paciente, biomarcadores y estilo de vida. Los modelos de ML pueden predecir las respuestas a la medicina personalizada.

Automatización de procesos

AI también puede automatizar procesos de laboratorio involucrados en el desarrollo de fármacos. Por ejemplo, los modelos de AI pueden acelerar el cribado de alto rendimiento y las pruebas de fármacos. Los modelos de ML pueden analizar los resultados de laboratorio y optimizar los procesos experimentales existentes para cumplir el punto de referencia.

AI y ML ya no son un sueño lejano: son una realidad implementada por muchas compañías farmacéuticas.

¿Quiénes están usando AI y ML?

AlphaFold

Google AlphaFold de DeepMind ha predicho más de 200+ millones de estructuras de proteínas. El AlphaFold Server puede predecir cómo las proteínas interactúan con varias biomoléculas. AlphaFold 3, el modelo más reciente reportado por Google Deepmind, puede predecir con precisión la estructura de proteínas, ligandos, DNA, RNA y biomoléculas y sus interacciones con otros materiales.

BenevolentAI

BenevolentAI, o Benevolent Platform, está entre las herramientas de descubrimiento y desarrollo de fármacos impulsadas por AI más estudiadas. La plataforma usa AI para resolver problemas específicos de descubrimiento de fármacos. Puede usarse para evaluación de biomarcadores y reposicionamiento de fármacos.

La tecnología puede integrarse en la plataforma de una compañía usando las ofertas de API de Benevolent.

Insilico MedicineInsilico Medicine ofrece una suite de software de descubrimiento de fármacos denominada Pharma.AI para acelerar el proceso de descubrimiento de fármacos. Chemistry42 es una plataforma basada en ML que puede usarse para encontrar nuevas moléculas con características de lead. inClinico puede utilizarse para diseñar y predecir la tasa de éxito de los ensayos clínicos.

Atomwise

AtomNet de Atomwise usa una red neuronal convolucional profunda para el descubrimiento de fármacos. AtomNet facilita el descubrimiento de fármacos basado en la estructura y actualmente aborda más de 600 dianas patológicas únicas. La plataforma se ha usado activamente en investigación farmacológica durante más de 2 años.

NVIDIA Clara Discovery

Clara Discovery de NVIDIA es un conjunto de frameworks, aplicaciones y modelos impulsados por IA que permiten el descubrimiento computacional de fármacos. Admite flujos de trabajo genómicos, canalizaciones CryoEM, cribado virtual, simulación molecular y predicción de estructuras proteicas.

Estas tecnologías se están utilizando para acelerar el descubrimiento de fármacos y satisfacer la alta demanda global de medicamentos más eficaces y eficientes. Sin embargo, la integración de soluciones impulsadas por IA y ML aún es incipiente, con pocas empresas farmacéuticas integrándolas en las operaciones regulares. Esto se debe principalmente a tres retos importantes.

Retos para la IA y el ML

Calidad y disponibilidad de datos

Los modelos de IA y ML se entrenan con datos de alta calidad y requieren datos estructurados de alta calidad para ofrecer resultados fiables, precisos y reproducibles. En la práctica, la mayoría de los datos disponibles son de mala calidad, no estructurados y fragmentados (provenientes de diversas fuentes), lo que requiere preprocesamiento de datos. Además, al obtener y utilizar estos datos, las empresas farmacéuticas deben cumplir con las directrices locales e internacionales sobre privacidad y seguridad de los datos. Los desafíos de disponibilidad, privacidad y seguridad de los datos deben abordarse antes de que los modelos de AI y ML puedan integrarse con éxito y de forma generalizada.

Obstáculos regulatorios

Los modelos de IA y ML carecen de apoyo regulatorio porque no son transparentes con los resultados: el modelo puede recomendar el Método A sobre el Método B, pero no explicará la razón subyacente de esa recomendación. Esto genera escepticismo entre las partes interesadas, incluidos los organismos reguladores, que plantean inquietudes respecto al marco ético del modelo. Por lo tanto, las directrices regulatorias sobre el uso de modelos de IA y ML todavía son vagas.El apoyo (u oposición) regulatorio para el uso de IA en el descubrimiento de fármacos no se ha establecido, lo que dificulta la implementación de los modelos existentes.  

Obstáculos financieros

Aunque la IA puede ahorrar tiempo y reducir costes durante el desarrollo de fármacos, implementar modelos de IA y ML es caro. Las empresas deben contratar personal especializado con conocimientos técnicos para desarrollar y entrenar los modelos. A menudo, esto puede ser igual de costoso. Además, tras la implementación, las empresas necesitan contratar personal adicional para preprocesar todos los datos disponibles para que el modelo pueda utilizarlos, lo que incrementa el coste operativo diario del modelo.

¿Superaremos estos desafíos?

Somos optimistas de que la industria farmacéutica superará estos obstáculos y que se implementarán modelos de IA y ML. Aunque estos retos parecen bastante significativos en 2025, no lo parecerán en retrospectiva. Si se creen los informes recientes sobre los menores costes de desarrollo de DeepSeek AI frente a ChatGPT. En tal caso, el desarrollo de modelos de IA y ML será más barato, lo que resultará en una implementación generalizada y un auge en el descubrimiento de fármacos.

Preguntas frecuentes

1. ¿Cuáles son los beneficios del aprendizaje automático en el desarrollo de fármacos?

El aprendizaje automático mejora la eficiencia, reduce los costos y aumenta la precisión de las predicciones en I+D farmacéutica.

2. ¿Puede la IA predecir los efectos secundarios e interacciones de los medicamentos?

Sí, los modelos de IA pueden prever posibles efectos secundarios e interacciones, ayudando a evitar fallos en etapas posteriores.

3. ¿Qué empresas usan la IA para el descubrimiento de fármacos?

Entre los líderes se encuentran DeepMind (AlphaFold), BenevolentAI, Insilico Medicine, Atomwise y NVIDIA.