De cáncer a COVID: ya son 24 los fármacos diseñados con la ayuda de la inteligencia artificial que están en estudio
La investigación clínica incorpora cada vez más la inteligencia artificial. Por qué es una herramienta que permite acelerar procesos y explorar qué pacientes pueden beneficiarse más con las terapias potenciales
Ya hay 24 fármacos diseñados con la ayuda de la inteligencia artificial que se encuentran ahora en fase de ensayos clínicos. Hay diferentes empresas e institutos científicos que están llevando a cabo esos desarrollos, para diferentes trastornos, desde cáncer hasta el COVID.
La carrera básica para desarrollar un nuevo fármaco desde cero empieza cuando se elige un blanco terapéutico en el organismo con el cual interactuará la potencial intervención, como una proteína. Luego, se diseña una molécula que haga algo en ese blanco, como cambiar su funcionamiento o desactivarlo.
A continuación, se fabrica la molécula en el laboratorio y se comprueba que realmente hace aquello para lo que ha sido diseñada (y nada más); por último, se prueba en humanos para ver si es segura y eficaz.
Durante décadas, los químicos han examinado los fármacos candidatos colocando muestras del blanco deseado en multitud de pequeños compartimentos de laboratorio, añadiendo distintas moléculas y observando si se producía alguna reacción.
Después, repetían este proceso muchas veces, modificando la estructura de las moléculas del fármaco candidato (cambiando un átomo por otro) y así sucesivamente. La automatización ha acelerado las cosas, pero el proceso básico de ensayo y error es inevitable.
Pero los tubos de ensayo no son cuerpos. Muchas moléculas de fármacos que parecen funcionar en el laboratorio acaban fallando cuando se prueban en personas. En promedio, hay que diseñar y probar 20 fármacos para conseguir que uno funcione.
Las empresas que usan inteligencia artificial se están centrando en tres puntos clave en el proceso de desarrollo de fármacos. Buscan elegir el blanco terapéutico correcto en el organismo, diseñar la molécula adecuada para interactuar con el blanco y determinar a qué pacientes tiene más probabilidades de ayudar esa molécula.
Las técnicas computacionales como la modelización molecular llevan décadas transformando el proceso de desarrollo de fármacos. Pero incluso los enfoques más potentes han implicado la construcción de modelos a mano, un proceso lento, difícil y susceptible de producir simulaciones divergentes de las condiciones del mundo real.
Con el aprendizaje automático o “machine learning” de la inteligencia artificial, se pueden ahora aprovechar grandes cantidades de datos, incluidos los datos farmacológicos y moleculares, para construir modelos complejos de forma automática.
De este modo, resulta mucho más fácil -y rápido- predecir el comportamiento de los fármacos en el organismo, lo que permite llevar a cabo in silico muchos de los primeros experimentos. Los modelos de aprendizaje automático también pueden tamizar enormes reservas sin explotar de posibles moléculas de fármacos de una forma que antes no era posible.
El resultado es que el trabajo duro, pero esencial, en los laboratorios (y más tarde en los ensayos clínicos) sólo tiene que llevarse a cabo con las moléculas con más posibilidades de éxito.
Desde 2021, dos fármacos desarrollados por Exscientia (o codesarrollados con otras empresas farmacéuticas) han iniciado el proceso. Recientemente esa empresa presentó otros dos más.
Son dos nuevos candidatos para la oncología. Se trata de compuestos que se han diseñado con precisión para mejorar el potencial de beneficio para el paciente y resolver problemas de diseño complejos que pueden limitar la probabilidad de éxito de otros tratamientos en desarrollo.
El uso de la inteligencia artificial permite mejorar la investigación clínica. Los investigadores clínicos tradicionalmente han probado distintos fármacos para ver qué funcionaba en los pacientes voluntarios que dan su consentimiento para participar en los ensayos.
Pero ahora con la ayuda de la inteligencia artificial se pueden hacer antes pruebas de diferentes tratamientos al mismo tiempo y evaluar cuál sería el más adecuado según el perfil del paciente antes de que sea incluido en el ensayo.
En diálogo con la revista Technology Review del MIT, Andrew Hopkins, director general de Exscientia, este nuevo enfoque supone un gran cambio en el tratamiento del cáncer: “La tecnología que tenemos para probar fármacos en la clínica se traslada realmente a los pacientes reales”.
Además de emparejar a los pacientes con los fármacos existentes, se utiliza el aprendizaje automático -o “machine learning”- para diseñar otros nuevos. Esta posibilidad podría dar lugar a más opciones a la hora de buscar un fármaco compatible. “Si hubiéramos utilizado un enfoque tradicional, no habríamos escalado tan rápido”, afirmó Hopkins.
Además, hay cientos de startups que exploran el uso del aprendizaje automático en la industria farmacéutica. Hoy en día, se gasta una media de más de 10 años y miles de millones de dólares en desarrollar un nuevo fármaco. La idea es utilizar la inteligencia artificial para que el descubrimiento de fármacos sea más rápido y barato.
Al predecir cómo podrían comportarse los posibles fármacos en el organismo y descartar los compuestos sin salida antes de que salgan del ordenador, los modelos de aprendizaje automático pueden reducir la necesidad de un minucioso trabajo de laboratorio.
“Todavía hay demasiadas enfermedades que no podemos tratar o que sólo podemos tratar con listas kilométricas de efectos secundarios”, recordó Adityo Prakash, director general de la empresa farmacéutica californiana Verseon.
También la empresa Absci está tratando de crear nuevos fármacos basados en proteínas utilizando el aprendizaje automático, pero a través de un enfoque diferente. Toma anticuerpos existentes -proteínas que el sistema inmunitario utiliza para eliminar bacterias, virus y otros agresores no deseados- y utiliza modelos entrenados a partir de datos de experimentos de laboratorio.
La idea es rediseñar los anticuerpos existentes para que se adhieran mejor a los blancos terapéuticos. Tras realizar ajustes en la simulación, los investigadores sintetizan y prueban los diseños que mejor funcionan.
En enero, Absci, anunció que había utilizado su método para rediseñar varios anticuerpos existentes, entre ellos uno dirigido contra la proteína espiga del coronavirus SARS-CoV-2, que causa la enfermedad COVID-19, y otro que bloquea un tipo de proteína que ayuda a crecer a las células cancerosas.
