Durante los últimos 18 meses, todos hemos visto cuán crucial puede ser la industria farmacéutica para la sociedad durante una crisis de salud pública. La capacidad de descubrir, desarrollar y distribuir nuevos fármacos de forma rápida y segura no es solo un problema empresarial abstracto, sino que debería interesar a toda la sociedad. Mejorar la velocidad a la que podemos descubrir nuevos fármacos y compuestos, ya sea en La respuesta a una nueva enfermedad o un nuevo tratamiento para una enfermedad existente es increíblemente importante para todos nosotros. Y, en lo que respecta al descubrimiento de fármacos , existe una tecnología que sabemos que será verdaderamente revolucionaria: el aprendizaje automático (ML).
El plegamiento de proteínas muestra el potencial de ML
Una aplicación interesante del potencial de ML para el descubrimiento de fármacos que llegó a los titulares a finales del año pasado fue el desafío de plegamiento de proteínas, con el DeepMind programa AlphaFold del equipo de hacer un gran avance en el campo. El plegamiento de proteínas – descubrir la estructura 3D de las proteínas – nos permite saber qué compuestos pueden interactuar con ellos y cómo, lo que nos permite desarrollar tratamientos nuevos, altamente especializados y efectivos.
Sin embargo, el plegamiento de proteínas es actualmente muy difícil; en este momento, los científicos deben tomar una proteína, disolverla en agua, cristalizarla y luego difractar la luz a través de ese cristal para descubrir la forma de la proteína. Este es un proceso largo y puede llevar semanas o meses obtener los datos de la estructura de una sola proteína, y luego muchos meses más para analizar esos datos para descubrir cómo interactúa con una variedad de compuestos químicos.
Con cientos de millones de proteínas que serían útiles para estudiar, es esencial una mejor solución al desafío del plegamiento de proteínas. ML promete una solución potencial: al observar proteínas de las que ya conocemos la estructura 3D, se pueden entrenar modelos como AlphaFold para ver los datos químicos en bruto de una proteína desconocida y doblarlos en consecuencia en cuestión de horas o días, muchos veces más rápido que los métodos actuales.
El estado del descubrimiento de fármacos
Por sí solo, acelerar el plegamiento de proteínas es un avance muy interesante. Pero los efectos secundarios de este desarrollo también son muy convincentes. Actualmente, muchos descubrimientos de fármacos requieren una serie de experimentos en laboratorios para determinar la composición y eficacia de un fármaco. Los laboratorios son extremadamente costosos de construir y mantener, por lo que hay un límite en la cantidad de ellos disponibles, lo que significa que hay un límite en la cantidad de equipos que pueden descubrir nuevos medicamentos o compuestos en cualquier momento.
ML ofrece la oportunidad de cambiar completamente esta relación al permitir que los equipos realicen muchas de las partes vitales del trabajo de descubrimiento de fármacos sin ingresar a un laboratorio húmedo. En cambio, ese trabajo cognitivo y ese tiempo se pueden emplear en otra parte, como verificar los resultados de ese modelo o probar las interacciones de un fármaco resultante con cultivos de tejidos.
El potencial del ML tampoco se limita al plegamiento de proteínas, con muchas tareas como interpretar grandes conjuntos de datos a partir de los resultados, realizar predicciones de síntesis de moléculas y reactivos y predecir las propiedades biológicas de los compuestos que también se revisarán mediante la implementación de modelos ML. Esto ofrece la posibilidad de avances considerablemente más rápidos al reducir la demanda de tiempo de laboratorio y hacer que el tiempo dedicado a los laboratorios sea mucho más efectivo. El resultado es que, además de ser potencialmente mucho más eficaz en la búsqueda de nuevos compuestos, el ML permitirá que el descubrimiento de fármacos sea mucho más productivo que nunca.
Gestión del aprendizaje automático para el descubrimiento de fármacos
El mayor desafío que enfrentan muchas empresas farmacéuticas al adoptar el aprendizaje automático no es tanto comprender o desarrollar estos revolucionarios modelos de aprendizaje automático. Más aún, uno de los grandes problemas radica en la logística de implementar estos modelos a escala. Los beneficios de implementar el aprendizaje automático en los procesos son claros; el mayor desafío es garantizar que esta tecnología se pueda implementar con el monitoreo y la explicabilidad adecuados integrados para minimizar el riesgo.
La implementación de modelos ML en masa para cualquier organización plantea desafíos: los equipos deben monitorear los modelos a escala, manejar las transiciones entre iteraciones de modelos, asignar recursos informáticos y de almacenamiento en sus modelos y también cumplir con todas las preocupaciones normativas y de cumplimiento necesarias en su sector. Para la industria farmacéutica, esto es particularmente pronunciado dada la cantidad de dinero que a menudo está en juego en el proceso de descubrimiento de fármacos, así como la importancia ética, regulatoria y social de procesos sólidos para el descubrimiento y desarrollo de fármacos.
Es por eso que, a medida que encontremos modelos de aprendizaje automático más innovadores que entran en juego, la importancia de las operaciones de aprendizaje automático (MLOps) solo seguirá creciendo. Si deseamos ver el ML escalar y cumplir consistentemente sus promesas para el descubrimiento de fármacos, el papel y la importancia de los procedimientos y herramientas de MLOps consistentes y bien definidos deben crecer. De esa manera, podemos asegurarnos de que el aprendizaje automático aproveche su potencial para brindar avances médicos.
Fuente:
Editor’s Choice. (2021d, junio 23). How machine learning will revolutionise drug discovery. Recuperado 24 de junio de 2021, de https://www.information-age.com/how-machine-learning-will-revolutionise-drug-discovery-123495722/