Uso de IA para crear una molécula de fármaco que podría combatir la fibrosis

Crear nuevos fármacos es un proceso complejo que puede llevar años de investigación y miles de millones de dólares. Sin embargo, es una inversión importante para la salud de las personas. La inteligencia artificial podría hacer que el descubrimiento de nuevos fármacos sea más fácil y sustancialmente más rápido si el trabajo reciente de la startup Insilico Medicine continúa progresando. Según SingularityHub, la startup de IA ha utilizado recientemente IA para diseñar una molécula que podría combatir la fibrosis.

Dado lo complejo y tiempo que consume el proceso de descubrir nuevas moléculas para un fármaco, los científicos y ingenieros están constantemente buscando formas de agilizarlo. La idea de utilizar computadoras para ayudar a descubrir nuevos fármacos no es nueva, ya que el concepto ha existido durante décadas. Sin embargo, el progreso en este sentido ha sido lento, con los ingenieros luchando por encontrar los algoritmos adecuados para la creación de fármacos.

El aprendizaje profundo ha comenzado a hacer que el descubrimiento de fármacos impulsado por IA sea más viable, con empresas farmacéuticas invirtiendo fuertemente en startups de IA en los últimos años. Una empresa ha logrado utilizar IA para diseñar una molécula que podría combatir la fibrosis, tardando solo 46 días en crear una molécula similar a los fármacos terapéuticos. Insilico Medicine combinó dos técnicas de aprendizaje profundo diferentes para lograr este resultado: aprendizaje por refuerzo y redes generativas adversarias (GANs).

El aprendizaje por refuerzo es un método de aprendizaje automático que anima al modelo de aprendizaje automático a tomar ciertas decisiones al proporcionar a la red con retroalimentación que provoca ciertas respuestas. El modelo puede ser castigado por tomar decisiones no deseadas o recompensado por tomar decisiones deseables. Al utilizar una combinación de refuerzo negativo y positivo, el modelo se guía hacia la toma de decisiones deseables, y tenderá a tomar decisiones que minimicen el castigo y maximicen la recompensa.

Mientras tanto, las redes generativas adversarias son “adversarias” porque consisten en dos redes neuronales diferentes que compiten entre sí. Las dos redes se les proporcionan ejemplos de objetos para entrenar, frecuentemente imágenes. El trabajo de una red es crear un objeto falsificado, algo lo suficientemente similar al objeto real que pueda ser confundido con el artículo genuino. El trabajo de la segunda red es detectar objetos falsificados. Las dos redes tratan de superar a la otra red, y a medida que ambas mejoran su rendimiento para superar a la otra red, esta carrera armamentista virtual conduce a que el modelo de falsificación genere objetos que son casi indistinguibles del objeto real.

Al combinar ambos algoritmos de GAN y aprendizaje por refuerzo, los investigadores pudieron hacer que sus modelos produjeran nuevas moléculas de fármacos extremadamente similares a los fármacos terapéuticos existentes.

Los resultados de los experimentos de Insilico Medicine con el descubrimiento de fármacos con IA se publicaron recientemente en la revista Nature Biotechnology. En el artículo, los investigadores discuten cómo se entrenaron los modelos de aprendizaje profundo. Los investigadores tomaron representaciones de moléculas ya utilizadas en fármacos para manejar proteínas involucradas en la fibrosis pulmonar idiopática o FPI. Estas moléculas se utilizaron como base para el entrenamiento y los modelos combinados pudieron generar alrededor de 30,000 moléculas de fármacos posibles.

Los investigadores luego seleccionaron las seis moléculas más prometedoras para pruebas de laboratorio y sintetizaron las seis finalistas en el laboratorio y las utilizaron en una serie de pruebas que rastrearon su capacidad para apuntar a la proteína FPI. Una molécula en particular parecía prometedora, ya que entregó el tipo de resultados que se desean en un fármaco médico.

Es importante tener en cuenta que el fármaco contra la fibrosis objetivo en el experimento ya ha sido ampliamente investigado, con múltiples fármacos efectivos ya existentes para él. Los investigadores podían hacer referencia a estos fármacos, y esto les dio a el equipo de investigación una ventaja, ya que tenían una gran cantidad de datos para entrenar sus modelos.

Otro hecho importante es que el modelo actual de desarrollo de fármacos de la empresa solo se ocupa del proceso de descubrimiento inicial, y que las moléculas generadas por su modelo aún requerirán muchas mejoras y optimizaciones antes de que las moléculas puedan ser potencialmente utilizadas en ensayos clínicos.

Según Wired, el CEO de Insilico Medicine, Alex Zhavornokov, reconoce que su fármaco impulsado por IA no está listo para su uso en el campo, con el estudio actual siendo solo una prueba de concepto. El objetivo de este experimento fue ver cuán rápido se podría diseñar un fármaco con la ayuda de sistemas de IA. Sin embargo, Zhavornokov nota que los investigadores pudieron diseñar una molécula potencialmente útil mucho más rápido de lo que podrían haberlo hecho si hubieran utilizado métodos de descubrimiento de fármacos regulares.

A pesar de las limitaciones, la investigación de Insilico Medicine aún representa un avance notable en el uso de IA para crear nuevos fármacos. El perfeccionamiento de las técnicas utilizadas en el estudio podría reducir sustancialmente el tiempo necesario para desarrollar un nuevo fármaco. Esto podría ser especialmente útil en una era en la que las bacterias resistentes a los antibióticos están proliferando y muchos fármacos anteriormente efectivos están perdiendo su potencia.