5 estudios de caso que muestran cómo la IA mejora la predictibilidad en el desarrollo de fármacos

La inteligencia artificial se está convirtiendo en una de las tecnologías más influyentes en la industria farmacéutica, especialmente cuando se trata de mejorar la previsibilidad. El desarrollo de fármacos siempre ha sido un proceso largo, caro y complejo, que a menudo lleva más de una década y miles de millones de dólares para llevar una sola terapia al mercado. IA en el desarrollo de fármacos se utiliza cada vez más para mejorar la toma de decisiones en I+D.

Uno de los factores que más contribuye a estos desafíos es la imprevisibilidad: respuestas farmacológicas impredecibles, resultados clínicos impredecibles, riesgos de toxicidad impredecibles y fracasos impredecibles en los ensayos. La IA está ayudando a cambiar eso.

,Analizando conjuntos de datos masivos, identificando patrones ocultos y generando predicciones basadas en datos, la IA hace posible anticipar resultados de forma más temprana y precisa que los métodos tradicionales. 

Muchas empresas farmacéuticas, instituciones de investigación y startups biotecnológicas ya han demostrado esto en escenarios del mundo real. A continuación se presentan cinco estudios de caso convincentes que muestran cómo la IA mejora significativamente la previsibilidad en el descubrimiento y desarrollo de fármacos. Aprendizaje automático modelos desempeñan un papel central en la mejora de la precisión predictiva.

1) Predicción de interacciones fármaco-diana mediante IA: el caso de BenevolentAI

Un gran desafío en las primeras etapas del desarrollo de fármacos es determinar si una molécula interactuará con una diana biológica de la manera deseada. Tradicionalmente, esto implicaba meses de pruebas de laboratorio y múltiples rondas de ensayo y error. BenevolentAI, una empresa líder en descubrimiento de fármacos impulsado por IA, ha demostrado cómo el aprendizaje automático puede acelerar y mejorar este proceso. 

La plataforma de IA de la compañía integra grandes volúmenes de literatura científica, datos clínicos, información bioquímica y conjuntos de datos genómicos para identificar nuevas relaciones entre enfermedades, dianas y moléculas. Uno de sus logros más notables se produjo durante la pandemia de COVID-19.

Usando su sistema de IA, BenevolentAI predijo rápidamente que baricitinib, un fármaco aprobado originalmente para la artritis reumatoide, podría inhibir la entrada viral de SARS-CoV-2 al dirigirse a vías específicas involucradas en la infección. 

En cuestión de días, el sistema de IA identificó el candidato farmacológico, que posteriormente mostró resultados positivos en ensayos clínicos y recibió la aprobación regulatoria para el tratamiento de COVID-19 en varias regiones. Este caso pone de manifiesto cómo la IA puede acelerar significativamente la generación de hipótesis, mejorar la precisión de las predicciones fármaco-diana y ayudar a identificar terapias viables en tiempo récord. Identificación de dianas por IA está mejorando cada vez más la previsibilidad en las etapas iniciales del descubrimiento de fármacos.

2) Mejora de los resultados de ensayos clínicos con IA: el estudio Medidata Rave Omics

Los ensayos clínicos son una de las etapas más arriesgadas e impredecibles del desarrollo de fármacos. La mayoría de los fracasos ocurren porque las respuestas de los pacientes difieren de las expectativas. Medidata, una empresa de Dassault Systèmes, demostró cómo la IA puede aumentar la previsibilidad en los ensayos mediante un estudio de caso utilizando su plataforma Rave Omics.

En los ensayos oncológicos, las poblaciones de pacientes suelen ser genéticamente diversas, lo que significa que el mismo fármaco puede funcionar extremadamente bien en algunos pacientes y no funcionar en absoluto en otros.  Medidata utilizó IA para analizar datos genómicos y clínicos de los participantes del ensayo y así identificar subgrupos moleculares con probabilidad de responder al tratamiento.

En un estudio sobre un fármaco oncológico que anteriormente había fracasado en alcanzar sus objetivos, el sistema Rave Omics descubrió firmas genéticas específicas que se asociaban fuertemente con una respuesta positiva al fármaco. Cuando los investigadores reexaminaron los datos, encontraron que el fármaco era altamente eficaz en este subgrupo. 

Este hallazgo permitió una mejor estratificación de pacientes y un rediseño del ensayo que mostró resultados mejorados. El caso demuestra cómo la IA puede ayudar a predecir qué pacientes se beneficiarán de una terapia, reduciendo así las tasas de fracaso en los ensayos y mejorando la eficiencia del desarrollo clínico. La IA en ensayos clínicos está permitiendo una mejor estratificación de pacientes y la predicción de resultados.

3) Predicción de toxicidad y riesgos de seguridad: el ejemplo de Insilico Medicine

La toxicidad inesperada es una de las razones más comunes por las que los candidatos farmacológicos fracasan en las etapas preclínicas y clínicas. Insilico Medicine ha mostrado cómo la predicción de toxicidad impulsada por IA puede reducir esta incertidumbre. La compañía utiliza modelos de deep learning entrenados con enormes conjuntos de datos toxicológicos para predecir posibles problemas de seguridad mucho antes de que una molécula llegue a los estudios en animales o a los ensayos en humanos. 

En uno de sus estudios de caso, Insilico desarrolló un modelo capaz de predecir hepatotoxicidad (toxicidad hepática) usando datos biológicos, químicos y de expresión génica. Al probarse con nuevos compuestos, el modelo de IA señaló con precisión las moléculas que probablemente causarían efectos secundarios relacionados con el hígado.

Esto permitió a los investigadores evitar fracasos costosos eliminando candidatos inseguros desde etapas tempranas y priorizando alternativas más seguras. 

La misma plataforma de IA también se ha utilizado para diseñar moléculas novedosas con menores riesgos de toxicidad. Este ejemplo del mundo real muestra cómo la IA aumenta la previsibilidad en la evaluación de la seguridad, ayudando en última instancia a las empresas farmacéuticas a tomar decisiones más inteligentes y a proteger el bienestar de los pacientes. La predicción de toxicidad por IA está ayudando a reducir los fallos de seguridad en fases tardías.

4) Mejora del éxito en la identificación de dianas: el caso Genentech–GNS Healthcare

Seleccionar la diana farmacológica adecuada es uno de los predictores más importantes del éxito en el desarrollo de fármacos. Si la diana se comprende mal o es biológicamente irrelevante, incluso los mejores candidatos fallarán. Genentech, miembro del Grupo Roche, se asoció con GNS Healthcare (ahora conocida como Aitia) para utilizar IA y modelado causal en el estudio de la esclerosis múltiple (EM). 

El objetivo era identificar vías biológicas que contribuyen a la progresión de la enfermedad y señalar posibles dianas terapéuticas. Utilizando modelos causales de IA entrenados con datos reales de pacientes, genómica, resultados de laboratorio, imágenes e información longitudinal sobre la progresión de la enfermedad, Genentech y GNS descubrieron un conjunto de biomarcadores previamente pasados por alto fuertemente asociados con la progresión de la EM. 

El modelo de IA predijo cómo la modificación de ciertas vías podría alterar el curso de la enfermedad, ayudando a los investigadores a priorizar dianas con la mayor probabilidad de éxito. Este trabajo proporcionó conocimientos accionables que los modelos estadísticos tradicionales no pudieron detectar.

Es un ejemplo poderoso de cómo la IA mejora la previsibilidad en una etapa temprana al optimizar la selección de dianas, reducir la incertidumbre científica y enfocar los esfuerzos de investigación donde más importan.

5) Acelerar el descubrimiento de fármacos de extremo a extremo: el caso Exscientia–Sumitomo Dainippon

Exscientia, una compañía de diseño de fármacos impulsada por IA, ha demostrado repetidamente que la IA puede mejorar los tiempos, la precisión y la previsibilidad a lo largo de toda la cadena de descubrimiento de fármacos. Uno de sus estudios de caso más conocidos es su asociación con Sumitomo Dainippon Pharma, que dio lugar al primer candidato a fármaco diseñado por IA en entrar en ensayos clínicos a nivel mundial. 

El sistema de IA analizó millones de diseños moleculares, predijo sus propiedades, evaluó posibles efectos fuera de diana y simuló cómo podría comportarse cada molécula en el cuerpo humano. Esto permitió a los investigadores identificar candidatos prometedores mucho más rápido que con los métodos tradicionales.

El candidato a fármaco, DSP-1181, dirigido al trastorno obsesivo-compulsivo (TOC), pasó desde el inicio del proyecto hasta la entrada en ensayos clínicos en menos de 12 meses, un proceso que típicamente tarda de cuatro a cinco años. 

Esta dramática aceleración fue posible porque el modelo de IA mejoró la previsibilidad en cada punto de decisión, desde el diseño y la optimización molecular hasta la evaluación preclínica. Este hito demostró cómo la IA puede transformar los plazos del descubrimiento de fármacos y aumentar la probabilidad de que los candidatos seleccionados tengan éxito en desarrollos posteriores.

Conclusión

A lo largo de estos cinco estudios de caso, surge un tema claro: la IA está transformando el desarrollo de fármacos al mejorar la previsibilidad. Ya sea identificando las dianas correctas, diseñando moléculas más seguras, seleccionando las poblaciones de pacientes adecuadas o prediciendo los resultados clínicos, la IA ayuda a los investigadores a tomar decisiones más informadas en etapas más tempranas del proceso.

Estas mejoras reducen las altas tasas de fracaso que tradicionalmente se observan en I+D farmacéutica y conducen a un desarrollo de nuevas terapias más rápido y eficiente. Análisis predictivo en farmacia está convirtiéndose en un motor clave de la eficiencia en I+D. 

A medida que más empresas implementen tecnologías de IA y generen datos de mayor calidad, la previsibilidad en el desarrollo de fármacos seguirá mejorando. Lo que antes requería años de investigación manual ahora puede lograrse en días, y lo que antes se basaba en supuestos ahora puede guiarse por datos. Transformación digital en farmacia está permitiendo que la IA se escale en las organizaciones.

La IA no es solo una herramienta para la automatización; es un catalizador para un desarrollo farmacéutico más inteligente, fiable e innovador. El futuro de la I+D farmacéutica se construirá sobre la inteligencia predictiva, y estos estudios de caso muestran que la transformación ya ha comenzado.

Preguntas frecuentes

1: ¿Cómo mejora la IA la previsibilidad en el desarrollo de fármacos?

La IA mejora la previsibilidad analizando conjuntos de datos masivos como información genómica, registros de ensayos clínicos, estructuras químicas y evidencia del mundo real para identificar patrones ocultos que los humanos podrían pasar por alto. Con modelos de aprendizaje automático, los investigadores pueden pronosticar cómo interactuará un fármaco con una diana, cómo pueden responder los pacientes y si una molécula puede causar toxicidad. Esto reduce la incertidumbre en cada etapa, desde el descubrimiento temprano hasta los ensayos clínicos, y ayuda a las empresas a tomar decisiones más rápidas basadas en datos.

2: ¿Por qué es importante la IA para reducir los fracasos en el desarrollo de fármacos?

Una razón principal de fracaso en el desarrollo de fármacos es la imprevisibilidad, especialmente relacionada con la seguridad, la eficacia y la respuesta de los pacientes. Las herramientas de IA pueden predecir interacciones fármaco-diana, identificar subgrupos genéticos con más probabilidades de beneficiarse del tratamiento y detectar riesgos de toxicidad de forma temprana. Al detectar problemas antes de que se agraven, la IA ayuda a eliminar candidatos débiles más pronto y a perfeccionar el diseño de los ensayos clínicos. Esto, en última instancia, reduce las tasas de fracaso y ahorra tiempo y costes significativos.

3: ¿Cuáles son algunos ejemplos reales de la IA mejorando el desarrollo de fármacos?

Varios estudios de caso reales muestran el impacto de la IA. BenevolentAI identificó un fármaco aprobado (baricitinib) como una terapia potencial para COVID-19 en días. Medidata utilizó IA para encontrar subgrupos genéticos que responden mejor a tratamientos específicos contra el cáncer, mejorando los resultados de los ensayos clínicos. Insilico Medicine predijo riesgos de toxicidad de forma temprana, mientras que Genentech utilizó IA causal para identificar nuevos biomarcadores de EM. Exscientia incluso produjo el primer candidato a fármaco diseñado por IA en entrar en ensayos clínicos. Estos ejemplos demuestran cómo la IA mejora la precisión, acelera los plazos y fortalece la toma de decisiones a lo largo de la cadena.