Si tuviera que adivinar cuánto tiempo tarda un medicamento en pasar de una idea a su farmacia, ¿qué adivinaría? ¿Tres años? ¿Cinco años? ¿Qué tal el costo? $ 30 millones? $ 100 millones?
Bueno, aquí está la verdad aleccionadora: el 90 por ciento de todas las posibilidades de drogas fallan. Los pocos que tienen éxito tardan un promedio de 10 años en llegar al mercado y cuestan entre $ 2.5 mil millones y $ 12 mil millones para llegar allí.
Pero, ¿qué pasaría si pudiéramos generar moléculas novedosas para atacar cualquier enfermedad, durante la noche, listas para ensayos clínicos? Imagine aprovechar el aprendizaje automático para lograr con 50 personas lo que la industria farmacéutica apenas puede hacer con un ejército de 5,000.
Bienvenido al futuro de la IA y al descubrimiento de medicamentos de bajo costo, ultrarrápido y personalizado. Vamos a sumergirnos.
GAN y drogas
Alrededor de 2012, el informático convertido en biofísico Alex Zhavoronkov comenzó a notar que la inteligencia artificial se estaba volviendo cada vez más buena en el reconocimiento de imágenes, voz y texto. Sabía que las tres tareas compartían una comunidad crítica. En cada uno, se disponía de conjuntos de datos masivos, lo que facilitaba la formación de una IA.
Pero conjuntos de datos similares estaban presentes en farmacología. Entonces, en 2014, Zhavoronkov comenzó a preguntarse si podría usar estos conjuntos de datos e IA para acelerar significativamente el proceso de descubrimiento de fármacos. Había oído hablar de una nueva técnica en inteligencia artificial conocida como redes adversas generativas (o GAN). Al enfrentar dos redes neuronales entre sí (adversarial), el sistema puede comenzar con instrucciones mínimas y producir resultados novedosos (generativo). En ese momento, los investigadores habían estado usando GAN para hacer cosas como diseñar nuevos objetos o crear rostros humanos falsos únicos, pero Zhavoronkov quería aplicarlos a la farmacología.
Supuso que las GAN permitirían a los investigadores describir verbalmente los atributos del fármaco: “El compuesto debería inhibir la proteína X en la concentración Y con efectos secundarios mínimos en los humanos”, y luego la IA podría construir la molécula desde cero. Para convertir su idea en realidad, Zhavoronkov instaló Insilico Medicine en el campus de la Universidad Johns Hopkins en Baltimore, Maryland, y se arremangó.
En lugar de comenzar su proceso en un lugar exótico, el “motor de descubrimiento de fármacos” de Insilico tamiza millones de muestras de datos para determinar las características biológicas características de enfermedades específicas. El motor identifica los objetivos de tratamiento más prometedores y, utilizando GAN, genera moléculas (es decir, medicamentos para bebés) perfectamente adecuadas para ellos. “El resultado es una explosión en posibles objetivos de drogas y un proceso de prueba mucho más eficiente”, dice Zhavoronkov. “La IA nos permite hacer con cincuenta personas lo que una típica compañía farmacéutica hace con cinco mil”.
Los resultados han convertido lo que una vez fue una guerra de una década en una escaramuza de un mes.
A fines de 2018, por ejemplo, Insilico estaba generando moléculas novedosas en menos de 46 días, y esto incluía no solo el descubrimiento inicial, sino también la síntesis del medicamento y su validación experimental en simulaciones por computadora.
En este momento, están utilizando el sistema para buscar nuevos medicamentos para el cáncer, el envejecimiento, la fibrosis, el Parkinson, el Alzheimer, la ELA, la diabetes y muchos otros. El primer fármaco resultante de este trabajo, un tratamiento para la pérdida de cabello, está programado para comenzar los ensayos de Fase I para fines de 2020.
También se encuentran en las primeras etapas del uso de IA para predecir los resultados de los ensayos clínicos antes del ensayo. Si tiene éxito, esta técnica permitirá a los investigadores eliminar una gran cantidad de tiempo y dinero del proceso de prueba tradicional.
Plegamiento de proteínas
Más allá de inventar nuevos medicamentos, otros científicos también están utilizando la IA para identificar nuevos objetivos de medicamentos, es decir, el lugar al que se une un medicamento en el cuerpo y otra parte clave del proceso de descubrimiento de medicamentos.
Entre 1980 y 2006, a pesar de una inversión anual de $ 30 mil millones, los investigadores solo lograron encontrar alrededor de cinco nuevos objetivos de drogas al año. El problema es la complejidad. La mayoría de los objetivos farmacológicos potenciales son proteínas, y la estructura de una proteína, es decir, la forma en que una secuencia 2D de aminoácidos se pliega en una proteína 3D, determina su función.
Pero una proteína con solo un centenar de aminoácidos (una proteína bastante pequeña) puede producir un valor de formas potenciales en cubos de googol, que es uno seguido de trescientos ceros. Esta es también la razón por la cual el plegamiento de proteínas se ha considerado durante mucho tiempo un problema difícil de resolver incluso para las supercomputadoras más poderosas.
En 1994, para monitorear el progreso de las supercomputadoras en el plegamiento de proteínas, se creó una competencia semestral. Hasta 2018, el éxito era bastante raro. Pero luego los creadores de DeepMind desataron sus redes neuronales ante el problema. Crearon una IA que extrae enormes conjuntos de datos para determinar la distancia más probable entre los pares de bases de una proteína y los ángulos de sus enlaces químicos, es decir, los conceptos básicos del plegamiento de proteínas. Lo llamaron AlphaFold.
En su primera incursión en la competencia, los AI concursantes recibieron 43 problemas de plegamiento de proteínas para resolver. AlphaFold tiene 25 correctos. El equipo del segundo lugar logró tres magros. Al predecir las formas evasivas en que varias proteínas se pliegan sobre la base de sus secuencias de aminoácidos, AlphaFold pronto puede tener un tremendo impacto en ayudar al descubrimiento de fármacos y combatir algunas de las enfermedades más intratables de la actualidad.
Entrega de drogas
Otro teatro de guerra para mejorar las drogas es el ámbito de la entrega de drogas. Incluso aquí, las tecnologías exponenciales convergentes están allanando el camino para implicaciones masivas tanto en la salud humana como en los cambios de la industria.
Un competidor clave es CRISPR , la tecnología de edición de genes que avanza rápidamente y que revolucionará la biología sintética y el tratamiento de enfermedades genéticamente vinculadas. Y los investigadores ahora han demostrado cómo se puede aplicar esta herramienta para crear materiales que cambian de forma bajo el comando. Piense: materiales que se disuelven instantáneamente cuando se enfrentan a un estímulo programado, liberando un medicamento específico en un lugar altamente dirigido.
Sin embargo, otro beneficio potencial para la entrega dirigida de medicamentos es la nanotecnología, mediante la cual los nanorobots médicos ahora se han utilizado para combatir la incidencia del cáncer. En una revisión reciente de micro y nanorobótica médica, los autores principales (de la Universidad de Texas en Austin y la Universidad de California en San Diego) encontraron numerosas pruebas exitosas de funcionamiento in vivo de micro y nanorobots médicos.
Drogas del futuro
Covid-19 está uniendo a la comunidad científica mundial con su urgencia, lo que lleva a los científicos a dejar de lado el territorialismo específico de la nación, el secreto de la investigación y la política de publicación académica en favor de los esfuerzos acelerados de desarrollo terapéutico y de vacunas. Y a raíz de la rápida aceleración en las tecnologías de atención médica, Big Pharma es un área que vale la pena ver en este momento, sin importar su industria. Las tecnologías convergentes pronto permitirán avances extraordinarios en la longevidad y la prevención de enfermedades, con compañías como Insilico liderando la carga.
Montando la convergencia de conjuntos de datos masivos, el poder computacional que se dispara, la computación cuántica, las capacidades cognitivas excedentes y las innovaciones notables en IA, no estamos lejos de un mundo en el que los medicamentos personalizados, entregados directamente a objetivos específicos, se graduarán de la ciencia ficción al estándar de cuidado.
La biotecnología rejuvenecedora estará disponible comercialmente antes de lo que piensas. Cuando le pregunté a Alex por su propia proyección, fijó el cronograma en “quizás 20 años; ese es un horizonte razonable para la biotecnología tangible de rejuvenecimiento”.
¿Cómo podrías usar 20 o más años saludables en tu vida? ¿Qué impacto podrías hacer?
Fuente:
<p; tab-interval=”36pt”>Diamandis, P. H. (2020, 21 julio). How AI Will Make Drug Discovery Low-Cost, Ultra-Fast, and Personalized. Recuperado 24 de julio de 2020, de https://singularityhub.com/2020/07/23/how-ai-will-make-drug-discovery-low-cost-ultra-fast-and-personalized/</p;>