¿Revolucionará la IA el desarrollo de fármacos? Los investigadores dicen que depende de cómo se utilice

      El potencial del uso de la inteligencia artificial en el descubrimiento y desarrollo de fármacos ha despertado tanto entusiasmo como escepticismo entre científicos, inversores y el público en general: "La inteligencia artificial se está apoderando del desarrollo de fármacos", afirman algunas empresas e investigadores. En los últimos años, el interés por utilizar la IA para diseñar fármacos y optimizar los ensayos clínicos ha impulsado un aumento de la investigación y la inversión. Plataformas impulsadas por la IA como AlphaFold, que ganó el Premio Nobel en 2024 por su capacidad para predecir la estructura de las proteínas y diseñar otras nuevas, muestran el potencial de la IA para acelerar el desarrollo de fármacos. La IA en el descubrimiento de fármacos es un "disparate", advierten algunos veteranos de la industria. Insisten en que "el potencial de la IA para acelerar el descubrimiento de fármacos necesita una revisión de la realidad", ya que los medicamentos generados por la IA aún tienen que demostrar su capacidad para hacer frente a la tasa de fracaso del 90% de los nuevos fármacos en los ensayos clínicos. A diferencia del éxito de la IA en el análisis de imágenes, su efecto en el desarrollo de fármacos sigue sin estar claro. Detrás de cada fármaco en su farmacia hay muchos, muchos más que fracasaron. nortonrsx/iStock via Getty Images Plus Hemos seguido el uso de la IA en el desarrollo de fármacos en nuestro trabajo como científico farmacéutico tanto en el mundo académico como en la industria farmacéutica y como antiguo director de programa en la Agencia de Proyectos de Investigación Avanzada de Defensa, o DARPA. Sostenemos que la IA en el desarrollo de fármacos no es todavía un cambio de juego, ni tampoco un completo disparate. La IA no es una caja negra que pueda convertir cualquier idea en oro. Más bien la vemos como una herramienta que, si se utiliza con sensatez y competencia, podría ayudar a abordar las causas fundamentales del fracaso de los fármacos y agilizar el proceso. La mayoría de los trabajos que utilizan la IA en el desarrollo de fármacos pretenden reducir el tiempo y el dinero que se tarda en sacar un medicamento al mercado, actualmente entre 10 y 15 años y entre 1.000 y 2.000 millones de dólares. Pero, ¿puede la IA revolucionar realmente el desarrollo de fármacos y mejorar las tasas de éxito? Los investigadores han aplicado la IA y el aprendizaje automático a todas las fases del proceso de desarrollo de fármacos. Esto incluye la identificación de dianas en el organismo, el cribado de posibles candidatos, el diseño de moléculas de fármacos, la predicción de la toxicidad y la selección de los pacientes que podrían responder mejor a los fármacos en los ensayos clínicos, entre otros. Entre 2010 y 2022, 20 empresas emergentes centradas en la IA descubrieron 158 fármacos candidatos, 15 de los cuales llegaron a ensayos clínicos. Algunos de estos candidatos a fármacos pudieron completar las pruebas preclínicas en el laboratorio y entrar en ensayos con humanos en sólo 30 meses, en comparación con los 3 a 6 años habituales. Este logro demuestra el potencial de la IA para acelerar el desarrollo de fármacos. El desarrollo de fármacos es un proceso largo y costoso. Por otra parte, mientras que las plataformas de IA pueden identificar rápidamente compuestos que funcionan en células en una placa de Petri o en modelos animales, el éxito de estos candidatos en los ensayos clínicos -donde se producen la mayoría de los fracasos farmacológicos- sigue siendo muy incierto. A diferencia de otros campos que disponen de grandes conjuntos de datos de alta calidad para entrenar modelos de IA, como el análisis de imágenes y el procesamiento del lenguaje, la IA en el desarrollo de fármacos se ve limitada por conjuntos de datos pequeños y de baja calidad. Es difícil generar conjuntos de datos sobre fármacos en células, animales o humanos para millones o miles de millones de compuestos. Aunque AlphaFold supone un gran avance en la predicción de estructuras proteínicas, su precisión para el diseño de fármacos sigue siendo incierta. Pequeños cambios en la estructura de un fármaco pueden afectar enormemente a su actividad en el organismo y, por tanto, a su eficacia en el tratamiento de enfermedades. Sesgo de supervivencia Al igual que la IA, las innovaciones en el desarrollo de fármacos, como el diseño de fármacos asistido por ordenador, el Proyecto Genoma Humano y el cribado de alto rendimiento, han mejorado algunas fases del proceso en los últimos 40 años, pero las tasas de fracaso de los fármacos no han mejorado. La mayoría de los investigadores de IA pueden abordar tareas específicas en el proceso de desarrollo de fármacos cuando se les proporcionan datos de alta calidad y preguntas concretas a las que responder. Pero a menudo no están familiarizados con el ámbito completo del desarrollo de fármacos, reduciendo los retos a problemas de reconocimiento de patrones y perfeccionamiento de pasos individuales del proceso. Mientras tanto, muchos científicos con experiencia en el desarrollo de fármacos carecen de formación en IA y aprendizaje automático. Estas barreras de comunicación pueden impedir a los científicos ir más allá de la mecánica de los actuales procesos de desarrollo e identificar las causas profundas de los fracasos de los fármacos. Los enfoques actuales del desarrollo de fármacos, incluidos los que utilizan IA, pueden haber caído en una trampa de sesgo de supervivencia, centrándose excesivamente en los aspectos menos críticos del proceso y pasando por alto los principales problemas que más contribuyen al fracaso. Esto es análogo a la reparación de los daños en las alas de los aviones que regresan de los campos de batalla en la Segunda Guerra Mundial, mientras se descuidan las vulnerabilidades fatales en los motores o las cabinas de los aviones que nunca lograron regresar. Los investigadores a menudo se centran demasiado en cómo mejorar las propiedades individuales de un fármaco en lugar de en las causas fundamentales del fracaso. Mientras que los aviones que regresan pueden sobrevivir a los impactos en las alas, los que tienen daños en los motores o las cabinas tienen menos probabilidades de volver. Martin Grandjean, McGeddon, US Air Force/Wikimedia Commons, CC BY-SA El proceso actual de desarrollo de fármacos funciona como una cadena de montaje, basándose en un enfoque de casillas de verificación con pruebas exhaustivas en cada paso del proceso. Aunque la IA puede reducir el tiempo y el coste de las fases preclínicas de laboratorio de esta cadena de montaje, es poco probable que aumente las tasas de éxito en las fases clínicas, más costosas, que implican pruebas en personas. La persistente tasa de fracaso del 90% de los fármacos en los ensayos clínicos, a pesar de 40 años de mejoras en los procesos, subraya esta limitación. Abordar las causas de raíz Los fracasos de los fármacos en los ensayos clínicos no se deben únicamente a la forma en que se diseñan estos estudios; la selección de los fármacos candidatos equivocados para probar en ensayos clínicos también es un factor importante. Actualmente, la mayoría de los fracasos farmacológicos se deben a tres factores interdependientes: dosis, seguridad y eficacia. Algunos fármacos fracasan porque son demasiado tóxicos o inseguros. Nosotros y nuestros colegas proponemos un sistema de aprendizaje automático para ayudar a seleccionar fármacos candidatos mediante la predicción de la dosis, la seguridad y la eficacia a partir de cinco características de los medicamentos que hasta ahora se habían pasado por alto. En concreto, los investigadores podrían utilizar modelos de IA para determinar la especificidad y potencia con que el fármaco se une a dianas conocidas y desconocidas, el nivel de estas dianas en el organismo, la concentración del fármaco en tejidos sanos y enfermos y las propiedades estructurales del fármaco. Estas características de los fármacos generados por IA podrían probarse en lo que llamamos ensayos de fase 0+, utilizando dosis ultrabajas en pacientes con enfermedades graves y leves. Esto podría ayudar a los investigadores a identificar los fármacos óptimos y reducir los costes del actual enfoque de "probar y ver" de los ensayos clínicos. Aunque la IA por sí sola no revolucione el desarrollo de fármacos, puede ayudar a abordar las causas profundas de su fracaso y agilizar el largo proceso de aprobación. Duxin Sun, Decano Asociado de Investigación, Charles Walgreen Jr. Profesor de Farmacia y Ciencias Farmacéuticas, Universidad de Michigan y Christian Macedonia, Profesor Adjunto de Ciencias Farmacéuticas, Universidad de Michigan Este artículo ha sido republicado de The Conversation bajo una licencia Creative Commons. Lea el artículo original.