Una de las principales ventajas de aplicar la IA en las primeras etapas del descubrimiento de fármacos es que puede realizar pruebas virtuales a gran escala o realizar múltiples experimentos simultáneamente, aumentando así la escala de detección de compuestos y haciendo avanzar compuestos potenciales hasta convertirlos en compuestos líderes, así como la Velocidad de las terapias candidatas. El Dr. Jim Collins, profesor del MIT, afirmó en una entrevista con el equipo de contenido de WuXi AppTec que los investigadores pueden entrenar modelos de IA con bibliotecas de compuestos a pequeña escala y luego usar estos modelos para explorar vastos espacios químicos. Esto permite a su equipo completar la selección de una biblioteca de compuestos virtual que contiene miles de millones de compuestos en unos pocos días. Esto no se puede lograr mediante experimentos convencionales.
Panna Sharma, director ejecutivo de Lantern Pharma, declaró en una entrevista con Nature Cancer que el proyecto de investigación y desarrollo anticancerígeno de la compañía, desde el agujero inicial generado por la IA hasta el ingreso al primer ensayo clínico en humanos, lleva aproximadamente la mitad del tiempo que las estrategias tradicionales. y puede reducir los costos hasta en un 80%. Otras empresas que utilizan la IA para el desarrollo de fármacos, como Recursion e Insilico Medicine, tienen experiencias similares. Aunque la inteligencia artificial no puede reemplazar los experimentos en la actualidad, puede permitir a los investigadores completar experimentos correctos más rápidamente, mejorando así las tasas de éxito.
Uno de los primeros impactos de la inteligencia artificial en el tratamiento del cáncer puede reflejarse en la reutilización de medicamentos fallidos u obsoletos. Tomando a Lantern como ejemplo, su plataforma de inteligencia artificial reúne miles de millones de puntos de datos relacionados con la oncología. Estos datos provienen de investigaciones científicas, ensayos clínicos y bases de datos. Al utilizar el aprendizaje automático para predecir las respuestas de los pacientes a los fármacos candidatos, la inteligencia artificial puede descubrir rápidamente nuevas indicaciones no descubiertas anteriormente o identificar nuevos subtipos de cáncer y sus biomarcadores que aún no se han caracterizado por completo.
La identificación de combinaciones de fármacos eficaces es otra dirección de aplicación de la inteligencia artificial. En la actualidad, probar combinaciones de medicamentos es difícil y requiere mucho tiempo, mientras que la inteligencia artificial puede predecir más rápidamente qué combinaciones de medicamentos son más efectivas al analizar los datos de todos los ensayos clínicos.
La capacidad de la IA generativa para personalizar nuevas estructuras moleculares basadas en características específicas de objetivos para lograr efectos terapéuticos específicos es particularmente emocionante para sus partidarios. En la actualidad, la IA generativa ha demostrado la capacidad de diseñar nuevas proteínas o compuestos de moléculas pequeñas desde cero basándose en las características objetivo en la investigación preclínica. Por ejemplo, el equipo del profesor David Baker, premio Nobel, publicó un artículo en la revista Science en el que presenta la herramienta mejorada de simulación de proteínas RoseTTAFold All Atom y la herramienta de diseño de proteínas RFdiffuion All Atom. RoseTTAFold All Atom permite a los científicos simular las interacciones entre proteínas y otras biomoléculas. RFdifuion All Atom permite a los científicos diseñar proteínas completamente nuevas desde cero basadas en las bolsas que se unen a compuestos específicos, lo que podría allanar el camino para diseñar terapias precisas.
Por otro lado, la mayoría de las biomoléculas generadas por la IA en la actual línea de investigación y desarrollo clínico siguen siendo similares a las moléculas existentes, que se han ajustado para mejorar su selectividad o reducir la toxicidad no objetivo.
Los fármacos candidatos aún deben demostrar su eficacia en humanos, algo que no se puede lograr sin ensayos clínicos. En el proceso de desarrollo de fármacos, los ensayos clínicos ocupan la mayor parte del costo y el tiempo de la investigación y el desarrollo, por lo que incluso una pequeña mejora en la eficiencia puede tener un impacto enorme.
Recursion utiliza datos clínicos y multiómicos de instituciones profesionales de recopilación de datos como Tempus, basados en modelos de inteligencia artificial para identificar a los pacientes que pueden producir la mejor respuesta. Mejorar el cribado de pacientes no sólo significa realizar ensayos a menor escala, sino que, en teoría, también aumenta las tasas de éxito.
La inteligencia artificial también se puede utilizar para descubrir pacientes adecuados y determinar la ubicación óptima del ensayo, maximizando así la aceleración del reclutamiento de pacientes.
