El papel de la IA y el ML en la aceleración del descubrimiento temprano de fármacos

El proceso de llevar una molécula de fármaco desde el concepto hasta la comercialización es un esfuerzo largo y costoso, que típicamente abarca de 10 a 15 años e incurre en gastos de hasta 2.000 millones de dólares por cada fármaco lanzado con éxito cuando se tienen en cuenta los fracasos. En este artículo, exploramos el potencial de la inteligencia artificial (IA) y el aprendizaje automático (ML) para acelerar el descubrimiento de fármacos, iluminando su impacto y limitaciones.

La necesidad de acelerar el descubrimiento de fármacos

La fase temprana de descubrimiento del desarrollo de fármacos incurre en costos significativos y requiere tecnologías innovadoras para acelerar y reducir los riesgos del proceso. La IA y el ML han surgido como actores clave, ofreciendo la capacidad de ampliar el «espacio de búsqueda» químico para compuestos novedosos, agilizar los cálculos complejos de propiedades y proporcionar información sobre datos a menudo ruidosos e incompletos.

La selección de la mejor molécula candidata para progresar desde el descubrimiento hasta una nueva entidad química (NCE) es una tarea compleja y que consume mucho tiempo. Con la creciente dificultad para encontrar moléculas novedosas que se dirijan a los intereses farmacéuticos actuales, los investigadores están ansiosos por evaluar un mayor número de compuestos sin aumentar exponencialmente los presupuestos para la química y la biología experimentales.

La IA y el ML, ejecutándose en hardware de última generación, están revolucionando este panorama. Pueden triar moléculas a una escala sin precedentes, permitiendo la exploración de vastas bibliotecas químicas. Los enfoques impulsados por IA van desde la construcción de «bibliotecas virtuales» de moléculas generadas a través de reacciones sintéticas hasta el uso de «IA generativa» para ensamblar moléculas a partir de una sopa molecular de pequeños fragmentos. Cada enfoque tiene sus fortalezas y desafíos, incluidos problemas relacionados con la accesibilidad y la diversidad de las moléculas.

Aceleración del descubrimiento de fármacos mediante IA/ML

La IA para el descubrimiento de fármacos (AIDD) aún está en sus etapas iniciales pero ya ha producido compuestos que ingresan a ensayos clínicos. El impacto de la IA y el ML es multifacético:

1. Cálculos complejos simplificados: Las herramientas de IA/ML se entrenan para predecir los resultados de cálculos intrincados que determinan el comportamiento de un candidato a fármaco. Por ejemplo, la IA puede aproximar la mecánica cuántica de las bibliotecas de compuestos, acelerando drásticamente el análisis de las contribuciones electrónicas a las propiedades de una molécula.

2. Predicciones de energía de unión: La IA puede predecir las energías de unión mediante cálculos de perturbación de energía libre (FEP). Este enfoque, tradicionalmente intensivo en recursos, ahora se beneficia de los métodos de IA, que filtran bibliotecas con precisión mediante cálculos FEP, obteniendo resultados comparables a los experimentales.

3. Predicción de la estructura de proteínas: Los modelos de IA pueden generar estructuras de proteínas para objetivos que carecen de datos experimentales. Si bien este campo ha enfrentado desafíos, la sofisticación de las herramientas de IA y la comprensión de sus resultados están creciendo, haciendo que las estructuras de proteínas generadas por IA sean cada vez más relevantes en el descubrimiento de fármacos.

4. Agilización del cribado: Los modelos de IA pueden cribar eficientemente bibliotecas ultra grandes de moléculas contra objetivos farmacéuticos específicos. Al evaluar rápidamente miles de millones de candidatos a fármacos potenciales, la IA/ML agiliza el análisis de candidatos, permitiendo a los investigadores centrarse en los compuestos más prometedores.

5. Optimización de rutas sintéticas: La IA destaca en el reconocimiento de patrones en conjuntos de datos complejos, lo que la hace competente para generar y optimizar rutas sintéticas hacia moléculas deseadas. La capacidad de la IA para encontrar rutas eficientes en menos tiempo que los químicos experimentados es una ventaja significativa.

Superar las limitaciones para una adopción más amplia de la IA

El impacto de la IA/ML en el descubrimiento de fármacos es sustancial, pero aún quedan desafíos. Los modelos de IA requieren conjuntos de datos extensos para el entrenamiento, y el intercambio de datos en la industria farmacéutica está restringido debido a preocupaciones de privacidad y confidencialidad. Para desbloquear plenamente el potencial de la IA, la industria debe ser más abierta al intercambio de datos, permitiendo que las herramientas de IA/ML predigan propiedades complejas con precisión.

Otro desafío es la escasez de expertos competentes tanto en descubrimiento de fármacos como en IA, lo que dificulta la utilización eficiente de las herramientas y la generación de información. Abordar estos desafíos será fundamental para maximizar el papel de la IA en el descubrimiento de fármacos.

El futuro de la IA en el descubrimiento de fármacos

Si bien es poco probable que la IA reemplace todos los aspectos del descubrimiento de fármacos, su potencial de impacto positivo es evidente. Los desarrollos continuos en mecánica cuántica, optimización de rutas sintéticas, predicción de estructuras de proteínas y otras áreas seguirán moldeando el papel de la IA en el descubrimiento de fármacos. A medida que haya más datos disponibles, las herramientas de IA/ML estarán mejor equipadas para abordar cálculos complejos.

La integración de la IA/ML en las plataformas de descubrimiento de fármacos ya ha llevado a mejoras significativas, aumentando la eficiencia y reduciendo los costos. Estas tecnologías jugarán un papel cada vez mayor en la industria farmacéutica, acelerando la selección de candidatos y transformando el panorama del desarrollo de fármacos.