La IA se utiliza para crear una molécula de fármaco que podría combatir la fibrosis

La creación de nuevos fármacos médicos es un proceso complejo que puede llevar años de investigación y miles de millones de dólares. Sin embargo, también 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. Como informa SingularityHub, la startup de IA ha utilizado recientemente la 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 los 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 frente 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 la IA sea más viable, con las empresas farmacéuticas invirtiendo fuertemente en startups de IA en los últimos años. Una empresa ha logrado utilizar la IA para diseñar una molécula que podría combatir la fibrosis, tardando solo 46 días en idear una molécula que se asemeja a fármacos terapéuticos. Insilco Medicine combinó dos técnicas de aprendizaje profundo diferentes para lograr este resultado: aprendizaje por refuerzo y redes generativas adversarias (GAN).

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 retroalimentación que provoca ciertas respuestas. El modelo puede ser castigado por tomar decisiones indeseables 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 que las redes generativas adversarias son “adversarias” porque consisten en dos redes neuronales diferentes enfrentadas 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 de armamentos virtuales conduce a que el modelo falsificado genere objetos que son casi indistinguibles del artículo real.

Al combinar tanto GAN como algoritmos de aprendizaje por refuerzo, los investigadores pudieron hacer que sus modelos produjeran nuevas moléculas de fármacos extremadamente similares a los fármacos terapéuticos ya 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 fueron capaces de generar alrededor de 30,000 moléculas de fármacos posibles.

Los investigadores luego clasificaron las 30,000 moléculas candidatas y seleccionaron las seis moléculas más prometedoras para pruebas de laboratorio. Estas seis finalistas se sintetizaron en el laboratorio y se 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 utilizado en el experimento ya ha sido ampliamente investigado, con múltiples fármacos efectivos ya existentes para él. Los investigadores pudieron referirse a estos fármacos, y esto les dio al equipo de investigación una ventaja, ya que tenían una gran cantidad de datos para entrenar sus modelos.

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

Según Wired, el CEO de Insilico Medicine, Alex Zharvornokov, reconoce que su fármaco impulsado por la IA no está listo para su uso en el campo, y que el estudio actual es solo un concepto de prueba. 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 salvedades, la investigación de Insilico Medicine aún representa un avance notable en el uso de la IA para crear nuevos fármacos. El perfeccionamiento de las técnicas utilizadas en el estudio podría acortar 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.