Descifrando el lenguaje de las moléculas: Cómo el AI generativo está acelerando el descubrimiento de fármacos

Como el AI generativo evoluciona, va más allá de descifrar el lenguaje humano para dominar los intrincados lenguajes de la biología y la química. Piense en el ADN como un guion detallado, una secuencia de 3 mil millones de letras que guía las funciones y el crecimiento de nuestro cuerpo. De manera similar, las proteínas, los componentes esenciales de la vida, tienen su propio lenguaje, que incluye un alfabeto de 20 aminoácidos. En química, las moléculas también tienen un dialecto único, como construir palabras, oraciones o párrafos utilizando reglas gramaticales. La gramática molecular dicta cómo los átomos y subestructuras se combinan para formar moléculas o polímeros. Al igual que la gramática del lenguaje define la estructura de las oraciones, la gramática molecular describe la estructura de las moléculas.

A medida que el AI generativo, como los modelos de lenguaje grande (LLM), demuestra su capacidad para descifrar el lenguaje de las moléculas, surgen nuevas vías para el descubrimiento eficiente de fármacos. Varias empresas farmacéuticas están utilizando cada vez más esta tecnología para impulsar la innovación en el desarrollo de fármacos. El Instituto McKinsey Global (MGI) estima que el AI generativo podría crear $60 mil millones a $110 mil millones anuales en valor económico para la industria farmacéutica. Este potencial se debe principalmente a su capacidad para mejorar la productividad, acelerando la identificación de compuestos de fármacos potenciales y acelerando sus procesos de desarrollo y aprobación. Este artículo explora cómo el AI generativo está cambiando la industria farmacéutica, actuando como catalizador para avances rápidos en el descubrimiento de fármacos. Sin embargo, para apreciar el impacto del AI generativo, es esencial entender el proceso tradicional de descubrimiento de fármacos y sus limitaciones y desafíos inherentes.

Desafíos del descubrimiento tradicional de fármacos

El proceso tradicional de descubrimiento de fármacos es una empresa de múltiples etapas, a menudo consume mucho tiempo y recursos. Comienza con la identificación de objetivos, donde los científicos identifican objetivos biológicos involucrados en una enfermedad, como proteínas o genes. Este paso conduce a la validación del objetivo, que confirma que manipular el objetivo tendrá efectos terapéuticos. A continuación, los investigadores participan en la identificación de compuestos líderes para encontrar candidatos potenciales de fármacos que puedan interactuar con el objetivo. Una vez identificados, estos compuestos líderes se someten a una optimización de liderazgo, perfeccionando sus propiedades químicas para mejorar la eficacia y minimizar los efectos secundarios. Las pruebas preclínicas evalúan la seguridad y eficacia de estos compuestos in vitro (en tubos de ensayo) y en vivo (en modelos animales). Los candidatos prometedores se evalúan en tres fases de ensayos clínicos para evaluar la seguridad y eficacia en humanos. Finalmente, los compuestos exitosos deben obtener la aprobación regulatoria antes de ser comercializados y prescritos.

A pesar de su exhaustividad, el proceso tradicional de descubrimiento de fármacos tiene varias limitaciones y desafíos. Es notoriamente consume mucho tiempo y costoso, a menudo toma más de una década y cuesta miles de millones de dólares, con altas tasas de fracaso, particularmente en las fases de ensayos clínicos. La complejidad de los sistemas biológicos complica aún más el proceso, dificultando predecir cómo un fármaco se comportará en humanos. Además, la intensa selección solo puede explorar una fracción limitada de los compuestos químicos posibles, dejando muchos fármacos potenciales sin descubrir. Las altas tasas de abandono también obstaculizan el proceso, donde muchos candidatos a fármacos fallan durante el desarrollo de última etapa, lo que lleva a recursos y tiempo desperdiciados. Además, cada etapa del descubrimiento de fármacos requiere una intervención humana y experiencia significativas, lo que puede ralentizar el progreso.

Cómo el AI generativo cambia el descubrimiento de fármacos

El AI generativo aborda estos desafíos al automatizar varias etapas del proceso de descubrimiento de fármacos. Acelera la identificación y validación de objetivos al analizar rápidamente grandes cantidades de datos biológicos para identificar y validar objetivos potenciales de fármacos con mayor precisión. En la fase de descubrimiento de compuestos líderes, los algoritmos de AI pueden predecir y generar nuevas estructuras químicas que probablemente interactúen de manera efectiva con el objetivo. La capacidad del AI generativo para explorar un gran número de líderes hace que el proceso de exploración química sea altamente eficiente. El AI generativo también mejora la optimización de líderes al simular y predecir los efectos de las modificaciones químicas en los compuestos líderes. Por ejemplo, NVIDIA (NVDA ) colaboró con Recursion Pharmaceuticals (RXRX ) para explorar más de 2,8 cuatrillones de combinaciones de moléculas pequeñas y objetivos en solo una semana. Este proceso podría haber tomado aproximadamente 100.000 años para lograr los mismos resultados utilizando métodos tradicionales. Al automatizar estos procesos, el AI generativo reduce significativamente el tiempo y el costo necesarios para llevar un nuevo fármaco al mercado.

Además, las ideas impulsadas por el AI generativo hacen que las pruebas preclínicas sean más precisas al identificar problemas potenciales más temprano en el proceso, lo que ayuda a reducir las tasas de abandono. Las tecnologías de AI también automatizan muchas tareas laboriosas, lo que permite a los investigadores centrarse en decisiones estratégicas de alto nivel y ampliar el proceso de descubrimiento de fármacos.

Caso de estudio: El primer descubrimiento de fármacos de Insilico Medicine con AI generativo

Una empresa de biotecnología, Insilico Medicine, ha utilizado el AI generativo para desarrollar el primer fármaco para fibrosis pulmonar idiopática (IPF), una enfermedad pulmonar rara caracterizada por cicatrices crónicas que llevan a una disminución irreversible de la función pulmonar. Al aplicar el AI generativo a conjuntos de datos ómicos y clínicos relacionados con la fibrosis tisular, Insilico predijo con éxito objetivos de fibrosis específicos de tejidos. Utilizando esta tecnología, la empresa diseñó un inhibidor de molécula pequeña, INS018_055, que mostró potencial contra la fibrosis y la inflamación.

En junio de 2023, Insilico administró la primera dosis de INS018_055 a pacientes en un ensayo clínico de fase II. El descubrimiento de este fármaco marcó un momento histórico, ya que se descubrió y diseñó el primer inhibidor de molécula pequeña anti-fibrotica utilizando el AI generativo.

El éxito de INS018_055 valida la eficiencia del AI generativo en el descubrimiento de fármacos y destaca su potencial para abordar enfermedades complejas.

Alucinación en el AI generativo para el descubrimiento de fármacos

A medida que el AI generativo avanza en el descubrimiento de fármacos, permitiendo la creación de moléculas nuevas, es esencial ser consciente de un desafío significativo que estos modelos podrían enfrentar. Los modelos generativos son propensos a un fenómeno conocido como alucinación. En el contexto del descubrimiento de fármacos, la alucinación se refiere a la generación de moléculas que parecen válidas en la superficie pero carecen de relevancia biológica real o utilidad práctica. Este fenómeno presenta varios dilemas.

Un problema importante es la inestabilidad química. Los modelos generativos pueden producir moléculas con propiedades teóricamente favorables, pero estos compuestos pueden ser químicamente inestables o propensos a la degradación. Estas moléculas “alucinadas” pueden fallar durante la síntesis o exhibir un comportamiento inesperado en sistemas biológicos.

Además, las moléculas alucinadas a menudo carecen de relevancia biológica. Pueden encajar con objetivos químicos, pero fallan al interactuar de manera significativa con objetivos biológicos, lo que las hace ineficaces como fármacos. Incluso si una molécula parece prometedora, su síntesis puede ser prohibitivamente compleja o costosa, ya que la alucinación no tiene en cuenta las vías sintéticas prácticas.

La brecha de validación complica aún más el problema. Si bien los modelos generativos pueden proponer numerosos candidatos, las pruebas experimentales rigurosas y la validación son cruciales para confirmar su utilidad. Este paso es esencial para cerrar la brecha entre el potencial teórico y la aplicación práctica.

Se pueden emplear varias estrategias para mitigar las alucinaciones. Los enfoques híbridos que combinan el AI generativo con modelado basado en física o métodos basados en conocimientos pueden ayudar a filtrar las moléculas alucinadas. El entrenamiento adversario, donde los modelos aprenden a distinguir entre compuestos naturales y alucinados, también puede mejorar la calidad de las moléculas generadas. Al involucrar a químicos y biólogos en el proceso de diseño iterativo, también se puede reducir el efecto de la alucinación.

Al abordar el desafío de la alucinación, el AI generativo puede cumplir su promesa en el descubrimiento de fármacos, haciéndolo más eficiente y efectivo en el desarrollo de nuevos fármacos viables.

Conclusión

El AI generativo cambia la industria farmacéutica, acelerando el descubrimiento de fármacos y reduciendo costos. Aunque desafíos como la alucinación persisten, combinar el AI con métodos tradicionales y la experiencia humana ayuda a crear compuestos más precisos y viables. Insilico Medicine demuestra que el AI generativo tiene el potencial de abordar enfermedades complejas y llevar nuevos tratamientos al mercado de manera más eficiente. El futuro del descubrimiento de fármacos se está volviendo más prometedor, con el AI generativo impulsando las innovaciones.