Buenos Aires (AT) – Matthias Steger, un químico farmacéutico con una década de experiencia, emprendió un viaje científico que comenzó modestamente con lápiz y papel. Su objetivo: descubrir un fármaco para tratar la retinosis pigmentaria, una rara enfermedad ocular degenerativa.
Durante años, Steger meticulosamente registró estructuras químicas que afectaban a las células madre y progenitoras, esenciales para la regeneración en tejidos dañados. Sin embargo, encontrar el patrón correcto en estas estructuras era como buscar una aguja en un pajar. Aunque su formación en Roche le proporcionó una sólida base, el proceso de desarrollo de un nuevo medicamento requería enormes recursos financieros y una década de esfuerzo.
La alianza con la IA
Con la esperanza de acelerar el proceso, Steger recurrió a la inteligencia artificial (IA). Envió las estructuras químicas a Gisbert Schneider, un colega de Roche y experto en diseño de fármacos asistido por ordenador en la Escuela Politécnica Federal de Zúrich (Eidgenössische Technische Hochschule Zürich – ETH). Utilizando modelos de IA, Schneider identificó moléculas con la actividad biológica deseada. Tras años de pruebas y síntesis, Steger y su equipo generaron dos fármacos candidatos. Uno de ellos, el EA-2353, ahora se encuentra en fase inicial de ensayos clínicos.
Steger reconoce que sin la IA, este logro habría sido mucho más difícil. Los algoritmos pueden revelar patrones invisibles al ojo humano, y su impacto en la búsqueda de nuevos candidatos a fármacos es innegable. En una era donde la inversión en IA está transformando la industria farmacéutica, Steger y su empresa emergente, Endogena, están liderando el camino hacia tratamientos más eficaces y eficientes.
A medida que los fármacos descubiertos mediante IA avanzan hacia ensayos en seres humanos, las grandes empresas farmacéuticas, incluyendo los gigantes suizos Roche y Novartis, compiten por liderar este campo.
Grandes empresas farmacéuticas y su apuesta en la era de la IA
El año pasado, Roche anunció una colaboración de investigación a largo plazo con el fabricante de chips estadounidense Nvidia. Este acuerdo forma parte de al menos ocho acuerdos de IA que Roche ha firmado desde 2019. Por su parte, la farmacéutica suiza Novartis ofreció a Isomorphic Labs, una filial de Google DeepMind, un pago inicial de US$ 37,5 millones, con la posibilidad de recibir otros US$ 1.200 millones si logra ciertos hitos en el desarrollo de tres nuevos candidatos a fármacos. Estos ejemplos son solo una muestra de los más de 100 acuerdos relacionados con la IA que empresas farmacéuticas y start-ups han firmado en la última década para impulsar el descubrimiento de fármacos.
A lo largo de décadas, los grandes laboratorios farmacéuticos han utilizado computadoras para apoyar el desarrollo de fármacos. Sin embargo, hasta hace poco, existía cierta reticencia a confiar plenamente en la IA.
En la década de 2000, después de experimentar con redes neuronales artificiales, las compañías farmacéuticas sentían que la IA no había cumplido sus promesas. Estas primeras redes o algoritmos carecían de sofisticación, datos y potencia de cálculo. Sin embargo, la mentalidad ha evolucionado. Ahora, existe una mayor disposición a aceptar las recomendaciones de los algoritmos de IA, y ninguna empresa farmacéutica quiere quedarse atrás.
Detrás de esta transformación se encuentran los avances recientes en aprendizaje profundo, herramientas de IA generativa como ChatGPT, la creciente potencia de cálculo y los conocimientos cada vez más profundos sobre genética y biología molecular.
La última generación de modelos de IA tiene la capacidad de analizar y descubrir patrones en conjuntos de datos vastos y diversos, incluso en imágenes. Esto la convierte en una herramienta especialmente valiosa para el descubrimiento de fármacos, donde se trabaja con billones de células y alrededor de 20.000 genes codificadores de proteínas en cada individuo.
En 2020, DeepMind, la filial de investigación en IA de Google, presentó AlphaFold, un algoritmo capaz de predecir las estructuras tridimensionales y las interacciones de proteínas, ARN y ADN. Esta innovación fue crucial para determinar las estructuras proteicas del SARS-CoV-2, contribuyendo al desarrollo acelerado de vacunas contra el Covid.
AlphaFold y su impacto
AlphaFold no solo ha impulsado la investigación de nuevas dianas farmacológicas, sino que también ha validado el potencial de la IA para lograr avances científicos significativos. En la actualidad, existen numerosas herramientas de software de IA, tanto patentadas como de código abierto, que las compañías farmacéuticas utilizan para buscar datos relevantes en revistas médicas, explorar bibliotecas de moléculas en busca de candidatos prometedores e identificar objetivos terapéuticos para diversas enfermedades. Se estima que la IA podría reducir entre un 25 % y un 50 % el tiempo y los costos asociados al descubrimiento de fármacos, según diversos estudios.
Elif Ozkirimli, responsable de productos de ciencia computacional para investigación y desarrollo (I+D) de Roche en Basilea, señala que aunque la IA, incluyendo el aprendizaje automático y los grandes modelos lingüísticos, no es una tecnología completamente nueva, su adopción y escala se han acelerado significativamente en los últimos dos años.
Roche y Novartis
Roche ha destinado aproximadamente 3.000 millones de dólares anuales para modernizar su infraestructura digital y hacer que la IA sea una parte integral de su proceso de I+D. Hace algunos años, Roche atrajo a los mejores biólogos computacionales del MIT y la Universidad de Cambridge, formando un equipo de alrededor de 400 personas en el departamento de ciencias computacionales de su filial Genentech en San Francisco. Además, cientos de profesionales trabajan en Basilea y otras sedes.
En 2021, la empresa adquirió Prescient Design, una start-up neoyorquina compuesta por tres personas. Esta adquisición permitió desarrollar un conjunto de algoritmos entrenados con datos tanto públicos como propios de Roche, provenientes de experimentos y ensayos clínicos. Gracias a esta iniciativa, se han identificado nuevas indicaciones para medicamentos más antiguos y se ha priorizado la investigación de fármacos candidatos con mayores posibilidades de éxito.
La IA como creadora de moléculas inimaginables
La IA, además de agilizar el descubrimiento de fármacos, tiene el potencial de identificar e incluso crear moléculas que los químicos ni siquiera han imaginado. Algunos algoritmos, como el utilizado por Schneider en Endogena, pueden generar moléculas desde cero.
En lugar de examinar moléculas una tras otra, la IA generativa está transformando el proceso de descubrimiento de fármacos. Ahora podemos diseñar moléculas con propiedades específicas en lugar de buscarlas al azar.
Varias start-ups ya están liderando este camino. Por ejemplo, Insilico, con sede en Hong Kong, empleó modelos de IA para identificar la diana farmacológica (la molécula asociada a una enfermedad) y diseñar una estructura molecular para tratar la fibrosis pulmonar, una afección grave de los pulmones. El candidato a fármaco, actualmente en fase II de ensayo clínico, se descubrió en 18 meses y a un costo de 3 millones de dólares, mucho menos que los métodos tradicionales. En 2022, Insilico firmó un acuerdo con el gigante farmacéutico francés Sanofi, valorado en hasta 1.200 millones de dólares. Este ejemplo demuestra cómo la IA está revolucionando el proceso de descubrimiento de fármacos.
Superando las superbacterias
El equipo de científicos y químicos computacionales de Genentech ha desarrollado un modelo de IA llamado GNEProp. Este modelo tiene como objetivo identificar antibióticos de moléculas pequeñas para combatir las llamadas “superbacterias”, es decir, bacterias que han desarrollado resistencia a los antibióticos convencionales.
Para entrenar el modelo, se utilizaron datos sobre la actividad antibiótica de dos millones de moléculas pequeñas. A partir de esta información, GNEProp puede predecir qué moléculas serán activas contra bacterias dañinas. Lo interesante es que algunas de las moléculas generadas por este algoritmo de aprendizaje profundo presentan estructuras completamente diferentes a las utilizadas durante su entrenamiento. Este enfoque innovador podría ser clave en la lucha contra las infecciones resistentes a los antibióticos.
Luego de experimentar en el laboratorio con algunas moléculas, las predicciones de la IA revelaron una tasa de aciertos (indicando que la molécula tenía la actividad biológica deseada) 60 veces mayor que en los experimentos realizados en 2017. Actualmente, la empresa está avanzando con algunas de estas moléculas hacia fases preclínicas, mientras vuelve a entrenar el modelo con los resultados de laboratorio para lograr predicciones aún más precisas en el futuro.
El papel de la IA en el proceso de descubrimiento de fármacos
El proceso de descubrimiento de fármacos suele ser una combinación de ensayo y error. Con la IA, estamos incorporando parte de ese proceso a los modelos de aprendizaje automático, permitiéndoles realizar predicciones más acertadas.
A pesar de las enormes inversiones y el entusiasmo por los nuevos descubrimientos, persiste cierta reticencia a alardear sobre los logros reales de la IA. Tanto Roche como Novartis mantienen en reserva los nombres de los fármacos descubiertos mediante IA que actualmente se encuentran en fase de ensayo clínico.
El éxito en una pantalla de ordenador, o incluso en un laboratorio, no siempre se traduce en éxito en los pacientes. El desarrollo de fármacos enfrenta una tasa de fracaso considerable. Aproximadamente nueve de cada diez medicamentos descubiertos mediante métodos tradicionales no superan los ensayos clínicos, cuando se evalúa la seguridad y eficacia de los fármacos en seres humanos.
Aunque es demasiado pronto para afirmar si los fármacos impulsados por la IA tendrán más éxito, se espera que los algoritmos de IA detrás de ellos desempeñen un papel crucial en la predicción y selección de candidatos prometedores.
Aún existen muchos misterios en la biología humana, la evolución de las enfermedades y las razones por las cuales algunas personas responden mejor que otras a los fármacos. A pesar de los avances en IA, a veces olvidamos que la biología es un sistema complejo y caótico.
En la última década, al menos 75 candidatos a fármacos desarrollados por empresas que hacen uso fundamental de la IA han pasado por ensayos clínicos. Según un estudio publicado en abril, aproximadamente el 80-90 % de estos candidatos, que superaron la fase I de los ensayos clínicos, tuvieron éxito. Este porcentaje es superior a la media del sector, que se sitúa entre el 50 % y el 60 %. La IA está demostrando su potencial, pero aún debemos abordar los desafíos inherentes a la biología.
A pesar de los avances en el uso de la IA para diseñar fármacos, algunos expertos han cuestionado la metodología de los estudios. Argumentan que la diversidad en la aplicación de la IA dificulta generalizar su éxito. Además, la fase II de los ensayos clínicos, donde se evalúa la eficacia en una cohorte más amplia de pacientes, se considera un factor crucial para determinar el éxito.
No todos los candidatos a fármacos han tenido un camino sin obstáculos. En octubre del año pasado, la empresa emergente Exscientia anunció la finalización de un ensayo clínico inicial de su candidato a fármaco contra el cáncer, basado en la IA (EXS-21546). Poco después, la empresa londinense BenevolentAI informó que otro fármaco diseñado con IA no había alcanzado la eficacia esperada en los primeros ensayos.
El desafío clínico
Matthias Steger explica que la mayoría de los fármacos no fracasan debido a defectos en la molécula en sí. En muchos casos, la molécula cumple exactamente con su función prevista. El verdadero problema radica en el vínculo entre la biología molecular y la patología específica del paciente, que a veces no se comporta como se había hipotetizado.
Aunque los fármacos generados por IA puedan fallar en los ensayos clínicos, los investigadores confían en que la información recopilada se utilizará nuevamente en los modelos para generar candidatos a fármacos más efectivos en el futuro. La esperanza es que las empresas puedan “fracasar menos y más rápido”, evitando costosos desembolsos y pruebas innecesarias en animales y personas.
Según Yaroslav Nikolaev, director de Tecnología de la empresa suiza InterAx, la tasa de fracaso del 90 % en el desarrollo de fármacos no mejorará drásticamente en un futuro cercano con la actual generación de herramientas de aprendizaje automático. Es posible que esta tasa disminuya al 70 %. Aunque la verdadera transformación en el desarrollo de fármacos está en marcha, se requieren más datos de calidad.
Este año, el principal candidato a fármaco de Endogena presentará los resultados iniciales de su primer ensayo clínico. Posteriormente, se iniciará el estudio pivotal en una amplia cohorte de pacientes. Matthias Steger considera que los resultados preliminares del EA-2353 son prometedores, pero reconoce que, para que un fármaco tenga éxito, se necesita algo más que la IA.
Hacé tu comentario