Cómo la IA está superando los cuellos de botella en el descubrimiento de fármacos de moléculas pequeñas

Los ensayos clínicos para el desarrollo de fármacos son notoriamente lentos y costosos, y solo una pequeña fracción de los candidatos a fármacos terminan siendo aprobados por las autoridades reguladoras. Los extensos cuellos de botella en el proceso tradicional de descubrimiento de fármacos son demasiado familiares para aquellos en la industria farmacéutica: La fase clínica sola lleva alrededor de una década y representa casi tres cuartos de los costos de I+D, con el costo promedio de desarrollo de un fármaco aumentando a un asombroso $2.2 mil millones en 2024.

Quizás lo más crítico es que la industria farmacéutica ha luchado por predecir con precisión los resultados exitosos del desarrollo durante el trabajo de fase temprana: Alrededor del 80-90 por ciento de los candidatos a fármacos no logran ser aprobados a pesar de los muchos años y la financiación extensa invertida en su desarrollo. La seguridad del fármaco es una gran razón para esto, con la toxicidad no anticipada que representa alrededor del 30 por ciento de los fracasos en el desarrollo de fármacos.

Las moléculas descubiertas por la IA son más exitosas en los ensayos de fase I

Sin embargo, los datos emergentes sugieren que la inteligencia artificial y los enfoques computacionales no solo están abordando estos desafíos, sino que también están transformando fundamentalmente nuestra capacidad para predecir resultados exitosos. Las primeras etapas del desarrollo de fármacos nuevos son particularmente cruciales, y es aquí donde la IA y la química computacional pueden tener el impacto más significativo.

Estos enfoques de IA y computacionales pueden ayudar a encontrar terapias novas efectivas para apuntar a las proteínas correctas para tratar enfermedades en la fase temprana de descubrimiento y optimización, en lugar de más tarde en el proceso, que ha sido el caso durante mucho tiempo. La predicción de toxicidad computacional es particularmente útil en las primeras etapas del descubrimiento de fármacos, porque puede excluir moléculas que probablemente fallen en los ensayos clínicos. Encontrar los mejores fármacos más temprano, y descartar aquellos que no funcionarán, puede ahorrar una década de investigación costosa y aumentar la posibilidad de que el fármaco pase la fase de ensayos clínicos.

La investigación reciente sobre empresas biotecnológicas nativas de IA revela tendencias alentadoras que sugieren que los enfoques computacionales están comenzando a superar algunos de los desafíos más fundamentales en el descubrimiento de fármacos. Por ejemplo, un análisis publicado en Drug Discovery Today encontró que las moléculas descubiertas por la IA son sustancialmente más exitosas que los promedios históricos de la industria en los ensayos de fase I, alcanzando una tasa de éxito del 80-90 por ciento en la fase I, en comparación con un promedio de la industria del 40-65 por ciento.

Este éxito en la fase temprana es particularmente significativo porque indica que los enfoques impulsados por la IA están resolviendo uno de los desafíos más fundamentales en el descubrimiento de fármacos: diseñar moléculas que posean las múltiples características necesarias para el desarrollo farmacéutico.

El poder de la optimización de múltiples parámetros

En el corazón de esta transformación se encuentra una habilidad que la química computacional impulsada por la IA es mucho mejor y más rápida que los humanos: la optimización de múltiples parámetros, el proceso de equilibrar múltiples propiedades de un fármaco potencial al mismo tiempo, como la potencia, la seguridad, la especificidad, la permeabilidad de la barrera hematoencefálica y muchas otras. Esto hace que sea mucho más preciso, rápido y eficiente diseñar los candidatos más prometedores, incluso si esas propiedades entran en conflicto entre sí.

Los enfoques tradicionales para el descubrimiento de fármacos solo pueden optimizar un parámetro a la vez, lo que hace que sea difícil mejorar un aspecto sin afectar adversamente a otros. Por ejemplo, un fármaco destinado a tratar tumores cerebrales necesita ser capaz de penetrar la barrera hematoencefálica para llegar al cerebro. Pero un fármaco que cruza la barrera de manera eficiente puede no ser lo suficientemente selectivo sobre su objetivo, lo que podría reducir la eficacia del fármaco o causar efectos secundarios no deseados. Los enfoques tradicionales pueden optimizar cuestiones como la permeabilidad de la barrera hematoencefálica primero y abordar otras propiedades más tarde, lo que potencialmente puede llevar problemas hacia adelante en lugar de abordarlos al comienzo del proceso.

Mientras tanto, las herramientas computacionales mejoradas con la IA cambian fundamentalmente el enfoque del diseño de fármacos. En lugar de la optimización secuencial que puede llevar a fracasos en etapas posteriores, la IA permite la optimización simultánea en todos los parámetros críticos ya en la etapa de descubrimiento. Con la IA, los investigadores pueden introducir datos sobre múltiples restricciones y pedir a los algoritmos que encuentren una molécula conocida que funcione mejor con todas esas restricciones, o generar una nueva. Utilizando herramientas de aprendizaje automático y generativas de IA en rápida evolución para desarrollar candidatos a fármacos óptimos más rápido y con mayor precisión, analizando múltiples parámetros simultáneamente, aumenta la probabilidad de éxito y en última instancia se espera que conduzca al desarrollo de tratamientos más efectivos, confiables y seguros para los pacientes.

Las herramientas computacionales basadas en la IA también pueden aprender los requisitos únicos para diferentes áreas terapéuticas. Los algoritmos de la IA pueden incorporar estos requisitos matizados para generar candidatos a fármacos que están adaptados para enfermedades y órganos diana específicos, en lugar de simplemente cumplir con criterios generales para ser moléculas con propiedades farmacéuticas. Por ejemplo, un compuesto que apunta a tumores cerebrales enfrenta diferentes desafíos de optimización que uno diseñado para la inflamación crónica asociada con artritis, diabetes, aterosclerosis y otras enfermedades.

Para verdaderamente empoderar a estos enfoques impulsados por la IA, se requieren conjuntos de datos ultra grandes de moléculas, tanto para la pantalla como, más importante aún, para entrenar estos modelos. Cuanto más grande sea el conjunto de datos, más espacio químico se cubre, lo que también aumenta las posibilidades de éxito. En lugar de cribar decenas de miles (o incluso unos pocos millones) de moléculas y mover unas decenas al desarrollo, los investigadores computacionales pueden cribar hasta decenas de miles de millones de moléculas.

El próximo paso: Integrar enfoques de IA en las tuberías de desarrollo

Con la creciente complejidad de estos enfoques, un desafío importante es la capacidad de realizarlos a escala. Por lo tanto, el próximo paso para aprovechar la IA en el descubrimiento de fármacos es incorporar herramientas que permitan que el proceso de descubrimiento se amplíe a través del uso de agentes de IA, sistemas computacionales autónomos que pueden realizar tareas o procesos complejos sin intervención humana constante.

Por ejemplo, los agentes se pueden utilizar para recopilar y analizar la cantidad necesaria y constantemente creciente de información y descartar a los candidatos a fármacos menos relevantes.

Una vez que los agentes hayan sido entrenados en muchos parámetros, restricciones químicas y otras variables relevantes, como los niveles de toxicidad y los requisitos de la FDA, finalmente podrán proporcionar a los investigadores los principales candidatos moleculares para cualquier enfermedad.

El desafío de la industria farmacéutica ahora es no si adoptar el diseño de fármacos computacional impulsado por la IA, sino cómo integrarlo rápidamente y de manera efectiva en las tuberías de desarrollo existentes. Aunque quedan desafíos, las primeras pruebas sugieren que la IA y la química computacional poseen la clave para desarrollar medicamentos mejores, más eficientes y que llegan a más pacientes más rápido que nunca.