Si hay algo en lo que todos podemos estar de acuerdo es en que los capitanes de la industria del siglo XXI están tratando de introducir la IA en todos los rincones de nuestro mundo. Pero a pesar de todas las formas en que la IA se nos lanzará a la cara y no resultará muy exitosa, en realidad podría tener al menos un propósito útil. Por ejemplo, acelerando drásticamente el proceso de diseño, búsqueda y prueba de nuevos medicamentos, que suele durar décadas.
La mitigación de riesgos no es una noción atractiva, pero vale la pena comprender lo común que es que un nuevo proyecto farmacológico fracase. Para preparar el escenario, consideremos que cada proyecto farmacológico tarda entre tres y cinco años en formar una hipótesis lo suficientemente sólida como para iniciar pruebas en un laboratorio. A Estudio de 2022 del profesor Duxin Sun descubrió que el 90 por ciento del desarrollo de fármacos clínicos fracasa y que cada proyecto cuesta más de 2 mil millones de dólares. Y ese número ni siquiera incluye los compuestos que no son viables en la etapa preclínica. En pocas palabras, cada fármaco exitoso tiene que generar al menos 18 mil millones de dólares de desperdicio generado por sus hermanos fallidos, lo que casi garantiza que las curas menos lucrativas para enfermedades más raras no reciban tanta atención como podrían necesitar.
La Dra. Nicola Richmond es vicepresidenta de IA en Benevolente, una empresa de biotecnología que utiliza IA en su proceso de descubrimiento de fármacos. Explicó que el sistema clásico asigna a los investigadores la tarea de encontrar, por ejemplo, una proteína que se comporta mal (la causa de una enfermedad) y luego encontrar una molécula que pueda hacer que se comporte bien. Una vez que han encontrado una, necesitan conseguir que esa molécula esté en una forma que un paciente pueda tomar y luego probar si es segura y efectiva. El camino hacia los ensayos clínicos en un paciente humano vivo lleva años y, a menudo, es sólo entonces Los investigadores descubren que lo que funcionó en teoría no funciona en práctica.
El proceso actual requiere “más de una década y varios miles de millones de dólares de inversión en investigación para cada medicamento aprobado”, dijo el Dr. Chris Gibson, cofundador de recursividad, otra empresa en el espacio del descubrimiento de fármacos con IA. Dice que la gran habilidad de la IA puede ser esquivar los errores y ayudar a evitar que los investigadores pasen demasiado tiempo corriendo por callejones sin salida. Una plataforma de software que puede analizar cientos de opciones a la vez puede, en palabras de Gibson, “fallar más rápido y antes para poder pasar a otros objetivos”.
La Dra. Anne E. Carpenter es la fundadora de la Laboratorio Carpenter-Singh en el Broad Institute del MIT y Harvard. Ha pasado más de una década desarrollando técnicas de Cell Painting, una forma de resaltar elementos en las células, con tintes, para hacerlos legibles en una computadora. Ella también es la co-desarrolladora de Perfilador celular, una plataforma que permite a los investigadores utilizar IA para explorar grandes cantidades de imágenes de esas células teñidas. Combinado, este trabajo facilita que una máquina vea cómo cambian las células cuando se ven afectadas por la presencia de una enfermedad o un tratamiento. Y al observar cada parte de la célula de manera integral, una disciplina conocida como “ómicas” – hay mayores oportunidades para establecer el tipo de conexiones en las que destacan los sistemas de IA.
Usar imágenes como una forma de identificar posibles curas parece un poco fuera de lugar, ya que la apariencia de las cosas no siempre representa cómo son realmente, ¿verdad? Carpenter dijo que los humanos siempre han hecho suposiciones subconscientes sobre el estado médico únicamente a partir de la vista. Explicó que la mayoría de las personas pueden concluir que alguien puede tener un problema cromosómico con solo mirarle la cara. Y los médicos profesionales pueden identificar una serie de trastornos sólo con la vista y simplemente como consecuencia de su experiencia. Añadió que si se tomara una fotografía del rostro de todas las personas de una población determinada, una computadora sería capaz de identificar patrones y ordenarlos según características comunes.
Esta lógica se aplica a las imágenes de células, donde es posible que un patólogo digital compare imágenes de muestras sanas y enfermas. Si un humano puede hacerlo, entonces debería ser más rápido y fácil emplear una computadora para detectar estas diferencias de escala, siempre que sea preciso. “Permites que estos datos se autoensamblen en grupos y ahora (estás) empezando a ver patrones”, explicó, “cuando tratamos (las células) con 100.000 compuestos diferentes, uno por uno, podemos decir 'aquí hay dos sustancias químicas'. eso se parecen mucho entre si.'” Y que se parezcan mucho entre sí no es sólo una coincidencia, sino que parece ser indicativo de cómo se comportan.
En un ejemplo, Carpenter citó que dos compuestos diferentes podrían producir efectos similares en una célula y, por extensión, podrían usarse para tratar la misma afección. Si es así, entonces puede ser que uno de los dos, que tal vez no haya sido diseñado para este propósito, tenga menos efectos secundarios dañinos. Luego está el beneficio potencial de poder identificar algo que no sabíamos que estaba afectado por una enfermedad. “Nos permite decir, 'oye, hay un grupo de seis genes, cinco de los cuales se sabe muy bien que son parte de esta vía, pero el sexto, no sabíamos qué hacía, pero ahora tenemos una “Hay una fuerte pista de que está involucrado en el mismo proceso biológico”. “Tal vez esos otros cinco genes, por alguna razón, no sean buenos objetivos directos en sí mismos, tal vez los químicos no se unen”, dijo, “pero el sexto (podría ser) realmente excelente para eso”.
En este contexto, las nuevas empresas que utilizan la IA en sus procesos de descubrimiento de fármacos esperan poder encontrar los diamantes escondidos a plena vista. El Dr. Richmond dijo que el enfoque de Benevolent es que el equipo elija una enfermedad de interés y luego formule una pregunta biológica en torno a ella. Entonces, al comienzo de un proyecto, el equipo podría preguntarse si hay maneras de tratar la ELA mejorando o arreglando la forma en que funciona el propio sistema de limpieza de una célula. (Para ser claros, este es un ejemplo puramente hipotético proporcionado por el Dr. Richmond).
Luego, esa pregunta se analiza a través de los modelos de inteligencia artificial de Benevolent, que reúnen datos de una amplia variedad de fuentes. Luego producen una lista clasificada de posibles respuestas a la pregunta, que puede incluir compuestos novedosos o medicamentos existentes que podrían adaptarse. Los datos luego van a un investigador, quien puede examinar qué peso dar a sus hallazgos, si es que hay alguno. El Dr. Richmond añadió que el modelo tiene que proporcionar evidencia de literatura o fuentes existentes para respaldar sus hallazgos, incluso si sus selecciones están fuera de lugar. Y que, en todo momento, un ser humano tiene la última palabra sobre cuáles de sus resultados deben perseguirse y con qué vigor.
Es una situación similar en Recursion, donde el Dr. Gibson afirma que su modelo ahora es capaz de predecir “cómo interactuará cualquier fármaco con cualquier enfermedad sin tener que probarlo físicamente”. El modelo ha formado ahora alrededor de tres billones de predicciones que conectan problemas potenciales con sus posibles soluciones basándose en los datos que ya ha absorbido y simulado. Gibson dijo que el proceso en la compañía ahora se parece a una búsqueda en la web: los investigadores se sientan en una terminal, “escriben un gen asociado con el cáncer de mama y (el sistema) puebla todos los demás genes y compuestos que (cree que están) relacionados. “
“Lo que se vuelve emocionante”, dijo el Dr. Gibson, “es cuando vemos un gen del que nadie ha oído hablar en la lista, lo que parece una biología novedosa porque el mundo no tiene idea de que existe”. Una vez que se haya identificado un objetivo y un humano haya verificado los hallazgos, los datos se enviarán al laboratorio científico interno de Recursion. Aquí, los investigadores realizarán experimentos iniciales para ver si lo encontrado en la simulación se puede replicar en el mundo real. El Dr. Gibson dijo que el laboratorio húmedo de Recursion, que utiliza automatización a gran escala, es capaz de ejecutar más de dos millones de experimentos en una semana laboral.
“Aproximadamente seis semanas después, con muy poca intervención humana, obtendremos los resultados”, dijo el Dr. Gibson y, si tiene éxito, entonces el equipo “realmente comenzará a invertir”. Porque, hasta este momento, el corto período de trabajo de validación le ha costado a la empresa “muy poco dinero y tiempo para conseguirlo”. La promesa es que, en lugar de una fase preclínica de tres años, todo el proceso puede reducirse a unas pocas búsquedas en bases de datos, algo de supervisión y luego unas semanas de pruebas ex vivo para confirmar si vale la pena hacer un esfuerzo real por las corazonadas del sistema. Interrogar. El Dr. Gibson dijo que cree que se ha necesitado “un año de trabajo en modelos animales y (lo ha comprimido), en muchos casos, a dos meses”.
Por supuesto, todavía no existe una historia de éxito concreta, lo que no sorprende que cualquier empresa en este espacio pueda señalar como una validación del enfoque. Pero Recursion puede citar un ejemplo del mundo real de lo cerca que estuvo su plataforma de igualar el éxito de un estudio crítico. En abril de 2020, Recursion ejecutó el Secuencia de COVID-19 a través de su sistema para observar el potencial tratos. Examinó tanto los medicamentos aprobados por la FDA como los candidatos en ensayos clínicos de última etapa. El sistema produjo una lista de nueve candidatos potenciales que necesitarían un análisis más detallado, ocho de los cuales luego se demostraría que eran correctos. También dijo que la hidroxicloroquina y la ivermectina, ambas muy publicitadas en los primeros días de la pandemia, fracasarían.
Y hay medicamentos basados en IA que actualmente se encuentran en ensayos clínicos en el mundo real. La recursividad es apuntando a Cinco proyectos actualmente están terminando su etapa uno (pruebas en pacientes sanos), o entrando en la etapa dos (ensayos en personas con las enfermedades raras en cuestión), pruebas clínicas en este momento. Benevolente ha iniciado una ai-derived-novel-target-treatment-ulcerative-colitis/”>ensayo de etapa uno de BEN-8744un tratamiento para colitis ulcerosa que puede ayudar con otros trastornos inflamatorios del intestino. Y BEN-8744 apunta a un inhibidor que no tiene asociaciones previas en la investigación existente que, si tiene éxito, agregará peso a la idea de que las IA pueden detectar las conexiones que los humanos han pasado por alto. Por supuesto, no podemos sacar ninguna conclusión hasta al menos principios del próximo año, cuando se publiquen los resultados de esas pruebas iniciales.
Hay muchas preguntas sin respuesta, incluido cuánto debemos confiar en la IA como único árbitro en el proceso de descubrimiento de fármacos. También existen dudas sobre la calidad de los datos de capacitación y los sesgos en las fuentes más amplias en general. El Dr. Richmond destacó los problemas relacionados con los sesgos en las fuentes de datos genéticos, tanto en términos de la homogeneidad de los cultivos celulares como de cómo se llevan a cabo esas pruebas. De manera similar, la Dra. Carpenter dijo que los resultados de su proyecto más reciente, el disponible públicamente Pintura de celdas JUMP proyecto, se basaron en células de un solo participante. “Lo elegimos con razón, pero sigue siendo un ser humano y un tipo de célula de ese humano”. En un mundo ideal, tendría una gama mucho más amplia de participantes y tipos de células, pero los problemas ahora se centran en la financiación y el tiempo, o más apropiadamente, en su ausencia.
Pero, por ahora, todo lo que podemos hacer es esperar los resultados de estos primeros ensayos y esperar que den frutos. Como cualquier otra aplicación potencial de la IA, su valor dependerá en gran medida de su capacidad para mejorar la calidad del trabajo o, más probablemente, mejorar los resultados del negocio en cuestión. Sin embargo, si la IA puede hacer que los ahorros sean lo suficientemente atractivos, entonces tal vez aquellas enfermedades que probablemente no recuperen las demandas de inversión bajo el sistema actual tengan una oportunidad. Todo podría colapsar en una nube de exageración, o podría ofrecer una esperanza real a las familias que luchan por ayuda mientras enfrentan un trastorno poco común.
Este artículo apareció originalmente en Engadget en https://www.engadget.com/ai-is-coming-for-big-pharma-150045224.html?src=rss