El desarrollo de nuevos medicamentos ha sido durante décadas uno de los mayores desafíos científicos y económicos. Crear un fármaco requiere años de investigación y una inversión significativa, y aun así la mayoría de los candidatos potenciales nunca llegan a los pacientes. En el caso de los medicamentos biológicos —terapias elaboradas a partir de proteínas modificadas genéticamente en lugar de síntesis química— la complejidad es aún mayor.
Los científicos deben explorar cantidades enormes de moléculas posibles para encontrar las pocas que se unirán al objetivo correcto, permanecerán estables en el cuerpo humano y serán manufacturables a gran escala. Hoy, la inteligencia artificial está acelerando estos procesos y se ha convertido rápidamente en parte fundamental de la infraestructura en investigación y desarrollo farmacéutico.
Según Puja Sapra, vicepresidenta senior y jefa de ingeniería de biológicos en investigación y descubrimiento dirigido en oncología de AstraZeneca, "todo lo que hacemos, ya sea diseño, fabricación, pruebas o análisis, ahora está mejorado computacionalmente. Los ciclos de tiempo se están acortando mientras la productividad e innovación aumentan".
El enfoque de AstraZeneca sigue un ciclo de construcción-medición-aprendizaje. La inteligencia artificial genera o prioriza moléculas candidatas computacionalmente, prediciendo qué diseños tienen más probabilidades de éxito. Los científicos entonces enfocan los recursos de laboratorio únicamente en los candidatos mejor clasificados. Esto conduce a un ciclo de retroalimentación más ajustado con menos callejones sin salida, iteración más rápida y la capacidad de perseguir objetivos de enfermedades que anteriormente se consideraban intratables por la medicina.
Dado que el número de combinaciones moleculares posibles supera con creces lo que cualquier equipo humano puede explorar sistemáticamente, usar inteligencia artificial para reducir y refinar las opciones para pruebas se ha convertido en un enfoque principal en el diseño de medicamentos biológicos.
Más allá de acelerar los cronogramas, la inteligencia artificial también se está aplicando al descubrimiento de clases completamente nuevas de medicamentos. Los biológicos tradicionales típicamente atacan una sola vía de enfermedad. La próxima generación de fármacos puede golpear múltiples objetivos simultáneamente o entregar cargas terapéuticas con precisión a células específicas. Lograr esto requiere optimización en muchas variables a la vez.
Sapra explica que los modelos impulsados por inteligencia artificial podrían ayudar a diseñar estos biológicos multi-específicos cada vez más complejos. "Por ejemplo", continúa, "tales modelos podrían ayudar a identificar cuáles dos o tres objetivos priorizar basándose en la biología subyacente, luego optimizar en múltiples parámetros para equilibrar la potencia, estabilidad, manufacturabilidad y seguridad de una molécula". "Medicar lo no medicable se está convirtiendo en una realidad", afirma Sapra. "Estas tecnologías eventualmente nos permitirán desarrollar medicinas contra objetivos una vez considerados imposibles de alcanzar. El potencial de beneficio para los pacientes es notable".
McKinsey estima que la inteligencia artificial generativa, combinada con otras herramientas computacionales, podría reducir los cronogramas de descubrimiento de fármacos hasta en un 50 por ciento. Sin embargo, cada modelo de inteligencia artificial es tan bueno como los datos con los que se entrena. En el descubrimiento de fármacos, eso significa cantidades abundantes de datos biológicos de alta calidad. Los experimentos pueden proporcionar una fuente rica de tales datos. Ya sea que tengan éxito o fracasen, cada experimento genera una señal sobre qué funciona y qué no.
"Los datos son nuestro diferenciador", dice Sapra, explicando cómo los conjuntos de datos de la empresa son propietarios y multimodales e incluyen estructuras moleculares, mediciones de unión, perfiles de seguridad y resultados de fabricación. "Hemos construido intencionalmente una cartera diversa en múltiples áreas de enfermedades y tipos de fármacos. Todos esos datos nos permiten ajustar modelos de inteligencia artificial fronterizos con conjuntos de entrenamiento más ricos y representativos". Continúa, "Además, hemos invertido en tecnologías de cribado profundo para generar conjuntos de datos adicionales requeridos en volumen para refinar y validar constantemente nuestros modelos".
AstraZeneca está construyendo lo que llama un laboratorio del futuro en Kendall Square, Cambridge, Massachusetts, donde la inteligencia artificial y la automatización robótica podrán formar un sistema de descubrimiento continuo de circuito cerrado. "Así como un automóvil autónomo usa sensores y modelos para navegar su entorno, este sistema usa inteligencia artificial para hacer predicciones, sistemas robóticos para ejecutar experimentos e instrumentos para generar datos", explica Sapra. Esos datos se retroalimentan directamente en los modelos, acelerando cada ciclo subsecuente.
"A lo largo de todo esto, los científicos permanecerán centrales en el proceso, proporcionando la supervisión, juicio y dirección estratégica que aseguran que los resultados sean explicables, tolerables y dirigidos hacia el beneficio potencial del paciente", añade.
Eventualmente, los sistemas automatizados de alto rendimiento podrán hacer y evaluar miles de interacciones moleculares semanalmente. "Esto generará datos listos para inteligencia artificial a una escala que los flujos de trabajo tradicionales no pueden igualar", dice Sapra. "El manejo robótico de muestras, los controles de calidad automatizados y los conductos de datos integrados también tienen el potencial de ayudar a acelerar significativamente los cronogramas de desarrollo de fármacos tempranos".
La visión final de AstraZeneca para la inteligencia artificial en el descubrimiento de medicamentos biológicos es lo que el campo llama diseño "de novo". Para esto, el objetivo es que la inteligencia artificial genere secuencias de proteínas completamente nuevas que se ajusten precisamente a las propiedades de fármaco deseadas. Esto incluye diseñar la estructura, predecir la seguridad, cómo se comportará en el cuerpo y cómo hacerlo manufactureable.
"El campo está haciendo un gran progreso hacia un biológico completamente generado por inteligencia artificial, diseñado desde cero hasta un candidato clínico", dice Sapra. "A medida que continuamos aprovechando modelos fronterizos y los ajustamos con los conjuntos de datos correctos, nos acercamos a esta realidad. Creo que sucederá. Es cuestión de tiempo".
Sin embargo, se necesitan varios elementos clave para llegar a este punto. Primero, datos de entrenamiento más ricos y estandarizados en toda la industria. Segundo, puntos de referencia de evaluación robustos para candidatos generados por inteligencia artificial. Y tercero, equipos que sepan cómo trabajar en la intersección del aprendizaje automático y la biología. De todos los requisitos previos, sin embargo, la predicción de seguridad puede ser la más importante y quizás la menos discutida, dice Sapra.
"Uno de los problemas más difíciles en el diseño de novo es predecir si una molécula generada computacionalmente será segura en el cuerpo humano", explica Sapra. AstraZeneca está abordando esto con lo que equivale a ensayos clínicos virtuales. Estos son sistemas celulares avanzados y modelos de órganos a micro escala que funcionan como bancos de pruebas físicos, emparejados con inteligencia artificial que aprende de sus resultados.
"Estos sistemas tienen el potencial de generar señales biológicas mejoradas sin los cuellos de botella de pruebas tradicionales, y son una pieza crítica que falta para cerrar el bucle entre diseños generados por inteligencia artificial y candidatos listos para clínica", añade Sapra.
Un cambio actualmente en marcha es el movimiento hacia sistemas de inteligencia artificial agencial que pueden generar simultáneamente candidatos de moléculas y predecir cuán eficaces y seguros es probable que sean. Estos flujos de trabajo autónomos pueden conectar directamente los conocimientos a nivel de enfermedad con el diseño de moléculas, cerrando lo que anteriormente eran silos de datos separados. "La complejidad de la biología va de la mano con el diseño de la molécula", resume Sapra.
La transformación en curso en biológicos no se trata solo de tecnología. "Con más sistemas autónomos, la supervisión humana sigue siendo el corazón de este enfoque, asegurando inteligencia artificial explicable y ética para el beneficio de los pacientes", dice Sapra.
Para los científicos, trabajar con inteligencia artificial es un proceso colaborativo. "Los científicos trabajarán mano a mano con estos sistemas de modelos", dice. "Habrá un mundo donde los modelos diseñarán moléculas, luego los científicos trabajarán con los sistemas para probar esas moléculas y juntar todos esos datos". A través de este proceso de controles humanos, equilibrios y llamadas de juicio, los modelos evolucionarán y mejorarán constantemente, con potencial para beneficiar a los pacientes.
Para los ingenieros, diseñar y construir sistemas efectivos listos para la colaboración humano-inteligencia artificial significará asegurar altos niveles de transparencia y explicabilidad del modelo. Según Sapra, los equipos de ingeniería de AstraZeneca incluyen científicos de datos, especialistas en automatización e ingenieros de inteligencia artificial, que están desarrollando sistemas que actúan como "socios pensantes" en lugar de cajas negras. "Los ingenieros están diseñando sistemas que generan, validan y aprenden a velocidad. Y los problemas son genuinamente difíciles: fusión de datos multimodales, optimización de circuito cerrado, cuantificación de incertidumbre e interpretabilidad en el punto de toma de decisiones clínicas", añade.
Al asumir tales desafíos técnicamente exigentes, los ingenieros y científicos tienen la oportunidad de contribuir a la investigación y desarrollo de tratamientos potencialmente que cambien vidas para muchas enfermedades, dice Sapra. "Los medicamentos biológicos que podemos desarrollar hoy, y aquellos que diseñaremos mañana, dependen de combinar talento de inteligencia artificial e ingeniería de clase mundial con experiencia científica profunda".