Cerrando el bucle de datos en el descubrimiento de fármacos impulsado por la IA

La industria farmacéutica se enfrenta a una creciente presión para acelerar el descubrimiento de fármacos a la vez que reduce los costos y mejora las tasas de éxito. Con los métodos tradicionales que resultan lentos y caros, la inteligencia artificial (IA) está emergiendo como una herramienta clave para transformar el proceso. Según informes recientes, el costo de desarrollar nuevos medicamentos casi se ha duplicado cada nueve años desde la década de 1950, una tendencia conocida como la Ley de Eroom.

Paul Belcher, director de estrategia de investigación de proteínas en Cytiva, señala que la carga financiera principal en el desarrollo de fármacos se encuentra en la fase clínica. Como tal, los esfuerzos para mejorar las tasas de éxito y acortar los plazos durante esta etapa son cruciales. La IA está siendo vista como una solución prometedora, que ofrece el potencial de agilizar los procesos y mejorar la calidad de los fármacos candidatos antes de que incluso entren en ensayos clínicos.

Este proceso implica la detección de vastas bibliotecas de entidades moleculares contra objetivos específicos de enfermedades, como proteínas, para identificar moléculas que pueden unirse de manera efectiva. Tradicionalmente, esto se hacía a través de la detección física, que requiere mucho tiempo y recursos. Sin embargo, la IA está permitiendo un cambio hacia el diseño predictivo, lo que permite a los investigadores generar candidatos a fármacos desde cero y simular sus interacciones con objetivos de enfermedades antes de invertir en una investigación y desarrollo extensivos.

Al aprovechar la IA, las compañías farmacéuticas ya no están limitadas por las limitaciones de la detección física. En su lugar, pueden explorar una gama más amplia de posibilidades moleculares y eliminar candidatos inferiores a la media al principio del proceso, conservando así tiempo y recursos. Este avance ha llevado a una mayor demanda de sistemas de laboratorio de alto rendimiento capaces de validar y caracterizar los muchos compuestos generados por la IA que ahora entran en la cartera. A pesar de estas ganancias, persisten desafíos. Los modelos actuales de IA luchan por predecir con precisión las propiedades cinéticas o la capacidad de desarrollo de nuevos compuestos. Como resultado, cada candidato diseñado por IA aún debe someterse a una validación rigurosa en el laboratorio.

Los flujos de trabajo de detección tradicionales, diseñados para identificar hits a escala, están mal equipados para manejar la complejidad de los candidatos modernos generados por IA. Estos flujos de trabajo a menudo se basan en técnicas binarias o basadas en umbrales, lo que produce datos de baja fidelidad que no capturan las características matizadas de los candidatos a fármacos avanzados. Para abordar estas limitaciones, la industria está pidiendo datos más completos y de alta calidad.

Belcher señala que estos conjuntos de datos con frecuencia destacan solo resultados positivos, omitiendo los numerosos experimentos fallidos que son esenciales para entrenar modelos robustos. Este sesgo de publicación limita la precisión y confiabilidad de las predicciones de IA, creando un cuello de botella en el desarrollo de fármacos candidatos efectivos. A medida que el campo continúa evolucionando, la integración de IA en sistemas de laboratorio se está volviendo cada vez más crítica.

Con los continuos avances en la tecnología de IA y un énfasis creciente en la integridad de los datos, la industria farmacéutica está preparada para dar pasos significativos en su búsqueda de un desarrollo de fármacos más eficiente y efectivo.