En diciembre, The Conversation organizó un seminario web sobre el papel revolucionario de la IA en el descubrimiento y desarrollo de fármacos.
El editor de ciencia y tecnología, Eric Smalley, entrevistó a Jeffrey Skolnick, eminente investigador en biología de sistemas computacionales del Instituto Tecnológico de Georgia, y a Benjamin P. Brown, profesor adjunto de farmacología de la Universidad de Vanderbilt.
Skolnick desarrolló enfoques basados en IA para predecir la estructura y función de las proteínas, lo que podría ayudar en el descubrimiento de fármacos y en la búsqueda de usos alternativos de medicamentos existentes.
El laboratorio de Brown trabaja en la creación de nuevos modelos informáticos que agilizan y hacen más fiable el descubrimiento de fármacos. A continuación, se presenta una versión resumida y editada de la entrevista.
Comencemos con una visión general. ¿Cómo está cambiando la IA la investigación biomédica y el descubrimiento de fármacos, y cuál es el potencial del que estamos hablando?
Skolnick: El potencial es enorme. Uno de los aspectos más frustrantes del descubrimiento de fármacos es que, a pesar de que quienes se dedican a ello son extraordinariamente inteligentes y realizaron un trabajo excepcional, la tasa de éxito es muy baja. Aproximadamente uno de cada cinco medicamentos tendrá efectos negativos para la salud que superarán sus beneficios. De los que se aprueban, cerca de la mitad no funcionan.
En el desarrollo de fármacos, existen varias cuestiones clave: ¿Se puede predecir qué diana terapéutica impulsa una enfermedad en particular? Una vez identificada esta diana, ¿cómo se puede garantizar que el medicamento funcione y, al mismo tiempo, no sea mortal?
Estos son problemas importantes en el descubrimiento de fármacos, donde la IA puede desempeñar un papel crucial, aunque no totalmente garantizado. A diferencia de nosotros, la IA puede analizar prácticamente todo el conocimiento disponible. En un buen día, establece conexiones sólidas y veraces, denominadas “ideas clave”, y en un mal día, produce lo que se conoce como “alucinaciones” y percibe información débil y probablemente falsa.
En definitiva, muchas enfermedades no tienen cura. La mayoría se controlan, como el colesterol alto o las enfermedades autoinmunes. Un tratamiento contra el cáncer puede prolongar la vida cinco años, y ahora el paciente se encuentra en la etapa 4 y ha agotado todos los tratamientos convencionales. La IA puede contribuir a sugerir alternativas cuando no existen.
Te recomendamos: Nueva CEO de Recursion necesita demostrar que el desarrollo de fármacos mediante IA puede ser rentable
Aclaremos algunos conceptos básicos. Cuando hablamos de fármacos, nos referimos a una amplia gama de terapias. ¿Podría explicarnos qué son? Tenemos fármacos de molécula pequeña, productos biológicos, terapias génicas y terapias celulares.
Brown: En nuestro cuerpo tenemos moléculas bastante grandes llamadas proteínas. Son como máquinas que realizan funciones específicas e interactúan entre sí. A menudo, cuando intentamos tratar una enfermedad, buscamos modificar las funciones de proteínas específicas.
Muchos fármacos, como la aspirina y el paracetamol, son moléculas pequeñas que pueden unirse a una proteína y cambiar su función. Fundamentalmente, los fármacos no tienen por qué interactuar solo con proteínas, pero esta es una de las principales formas en que funciona nuestro repertorio actual de medicamentos.
También existen proteínas que actúan como fármacos, como los anticuerpos. Cuando recibimos una vacuna contra un virus, nuestro cuerpo recibe instrucciones sobre cómo desarrollar anticuerpos. Estos anticuerpos atacan alguna parte del virus. Nuestro cuerpo crea estas moléculas grandes, mucho más grandes que la aspirina, para interactuar con proteínas extrañas de una manera diferente. La terapia génica representa un avance aún mayor.
Estas modalidades —molécula, proteína, anticuerpo o gen— son tipos de moléculas muy diferentes. Tienen escalas y reglas distintas, por lo que la forma de diseñarlas y descubrirlas varía enormemente.
¿Podría explicar brevemente las redes neuronales artificiales y qué significa “profundo” en aprendizaje profundo?
Skolnick: AlphaFold, desarrollado por DeepMind, implicó comprender cómo funcionan las redes neuronales. Construyeron una red con muchas entradas, que son estímulos, y salidas con diferentes ponderaciones, de forma similar a como funciona nuestro cerebro. Estas conexiones simples, o neuronas, utilizan el aprendizaje por refuerzo.
También crearon redes neuronales sofisticadas, como los transformadores, que realizan tareas específicas como una herramienta especializada capaz de aprender, e incorporaron un mecanismo llamado “atención”, que amplifica los detalles cruciales. Las superredes neuronales con transformadores constituyen lo que conocemos como aprendizaje profundo. Estas redes ahora cuentan con miles de millones, si no billones, de parámetros.
En esencia, estas máquinas pueden aprender correlaciones de orden superior entre eventos, es decir, patrones de interacciones condicionales que dependen de las propiedades de múltiples elementos simultáneamente.
En estas correlaciones de orden superior, la IA tiene el potencial de descubrir aspectos previamente desconocidos que se encuentran integrados en petabytes (una unidad de datos equivalente a la mitad del contenido de todas las bibliotecas de investigación académica de datos biológicos de EU).
AlphaFold, que predice formas bioactivas tridimensionales de una proteína, cuenta con millones de secuencias y cientos de miles de estructuras. Puede indicar, basándose en un patrón específico, qué molécula pequeña diseñar para que se adhiera a una proteína e induzca algún tipo de cambio estructural.
Te interesa: Roche compró miles de chips de IA Nvidia para acelerar el desarrollo de fármacos
¿Cómo se utiliza esta tecnología en la investigación biomédica para comprender la dinámica molecular o, esencialmente, los procesos biológicos implicados en la salud y la enfermedad?
Brown: En 2013, se otorgó el Premio Nobel a las simulaciones de dinámica molecular, herramientas computacionales que ayudan a comprender el movimiento de las moléculas según las leyes de la física. Existe un vasto conjunto de investigaciones científicas basadas en estas ideas.
La IA y el aprendizaje profundo están en auge actualmente, pero cabe mencionar que, durante la última década y media, se utilizaron algoritmos de aprendizaje automático mucho más sencillos para el diseño de fármacos. Muchas de estas ideas, como el uso del aprendizaje automático para el cribado virtual, no son nuevas y llevan tiempo aplicándose.
Con las tecnologías de AlphaFold para ayudar a diseñar proteínas y predecir su estructura, hemos transformado nuestra manera de abordar muchos de estos problemas. Contamos con un nuevo repertorio de enfoques para desarrollar ideas y comenzar a pensar en el descubrimiento de fármacos.
¿Qué impacto tuvo la tecnología de IA actual en la magnitud del cambio en este proceso, desde hace 20 años hasta ahora?
Skolnick: Muchas enfermedades, como el cáncer, son causadas por un conjunto de proteínas que funcionan mal. La IA nos permite ahora empezar a pensar conceptualmente sobre cómo se organizan y relacionan estas enfermedades entre sí.
Las enfermedades tienden a presentarse simultáneamente. Por ejemplo, si se padece hipertiroidismo, es muy probable desarrollar Alzheimer. Curioso, ¿verdad? Podemos analizar los datos por separado, pero la IA puede analizar toda la información, integrar el comportamiento colectivo e identificar los factores comunes.
Esto permite establecer interrelaciones entre enfermedades, lo que ofrece la posibilidad de tratamientos de amplio espectro que podrían tratar conjuntos completos de enfermedades, en lugar de tratamientos de espectro reducido.
Asimismo, la IA puede ayudarnos a comprender la evolución de las enfermedades. Las enfermedades que tienden a presentarse simultáneamente suelen manifestarse de forma consecutiva. Si tienes la enfermedad 1, esta te da la enfermedad 2, y luego la enfermedad 3. Esto sugiere que si vuelves a la raíz del problema con la enfermedad 1, podrías detener muchas cosas. No se pueden analizar millones de trayectorias ni millones de datos sin una herramienta, así que antes no se podía hacer esto.
Esto es muy prometedor, pero también hay que tener cuidado de no generar expectativas excesivas. Ayudará, acelerará el proceso, pero aún no sustituye a los experimentos reales, la validación clínica y los ensayos.
*Jeffrey Skolnick es Profesor Emérito; titular de la Cátedra Mary y Maisie Gibson y Profesor Distinguido de Biología de Sistemas Computacionales del Instituto Tecnológico de Georgia; y Benjamin P. Brown es Profesor Adjunto del Departamento de Farmacología de la Universidad de Vanderbilt.
Este texto fue publicado originalmente en The Conversation
¿Te gusta informarte por Google News? Sigue nuestro Showcase para tener las mejores historias
