{{{sourceTextContent.title}}}

La IA generativa acelera y abarata el descubrimiento de fármacos

{{{sourceTextContent.subTitle}}}

La IA generativa está llamada a revolucionar el descubrimiento de fármacos, facilitando el descubrimiento de moléculas, el diseño de anticuerpos e incluso el desarrollo de medicamentos de precisión.

{{{sourceTextContent.description}}}

Es imposible escapar a las noticias sobre inteligencia artificial y el impacto que está teniendo en casi todas las industrias. Desde la fabricación a la banca, pasando por la atención sanitaria, la capacidad de la IA para analizar grandes cantidades de datos y desarrollar nuevas perspectivas la hace extremadamente útil para cualquier industria que deba analizar cantidades masivas de información. Esto incluye la industria farmacéutica y el descubrimiento de fármacos.

Se calcula que existen entre diez y sesenta moléculas similares a los fármacos. Descubrir, sintetizar y probar un número tan masivo de moléculas potenciales es obviamente imposible. Sin embargo, la IA generativa en el descubrimiento de fármacos puede buscar entre enormes cantidades de datos en cuestión de segundos, creando nuevos fármacos que de otro modo llevarían meses o años.

Cómo puede utilizarse la IA generativa en el descubrimiento de fármacos

El proceso típico de descubrimiento de fármacos puede durar más de una década, desde el concepto inicial hasta los ensayos clínicos y el lanzamiento público. Este proceso también cuesta miles de millones, lo que significa que las empresas tienen todos los incentivos para acortar este tiempo y ahorrar dinero. Para muchos, la IA generativa es la clave para lograr este objetivo. La IA se está utilizando en aplicaciones como:

Generación de moléculas

La capacidad de la IA generativa para simular estructuras moleculares y cómo interactúan con el organismo de un paciente puede utilizarse para desarrollar moléculas con propiedades deseables que sigan siendo seguras para los pacientes. Combinando modelos de IA con modernas técnicas de desarrollo de moléculas, las empresas farmacéuticas pueden acelerar el proceso de creación de nuevos fármacos.

Diseño de anticuerpos

La IA generativa puede entrenarse en secuencias de proteínas y utilizarse después para crear anticuerpos específicos contra patógenos. Estos modelos de lenguaje proteínico pueden mejorar la calidad y la velocidad del diseño de anticuerpos e incluso crear anticuerpos totalmente nuevos, es decir, que no dependen de datos de entrenamiento y pueden probarse y verificarse en un laboratorio real.

Reutilización de fármacos

La reutilización de fármacos permite a las empresas farmacéuticas descubrir nuevos usos para medicamentos ya aprobados para el público, lo que les permite evitar los costes de desarrollo habituales y la inversión de tiempo asociada al descubrimiento de fármacos. Por ejemplo, el medicamento semaglutida se utilizó originalmente para ayudar a los pacientes diabéticos a controlar su enfermedad, pero más tarde se adaptó para la pérdida de peso como Ozempic. Los algoritmos de IA pueden revisar rápidamente las bases de datos de conocimientos científicos existentes para explorar nuevas aplicaciones de moléculas preexistentes.

Diseño de fármacos de novo

Los modelos de IA pueden incluso generar estructuras moleculares completamente nuevas y predecir cómo interactúan con las dianas biológicas. Este planteamiento puede aplicarse a los enfoques basados en átomos, fragmentos y reacciones para crear nuevas estructuras, y dar lugar a diseños de fármacos de novo que aborden los problemas desde una mayor variedad de ángulos.

Descubrimiento de fármacos de precisión

Los medicamentos de precisión son muy deseables para la atención sanitaria, ya que pueden ayudar a los médicos a tratar la dolencia de un paciente con más precisión que una receta genérica. Sin embargo, el proceso de crear medicamentos personalizados para cada paciente es obviamente imposible con el paradigma actual. La capacidad de la IA para analizar conjuntos de datos multimodales, como datos de pacientes, información genética, estudios de biobancos, etc., puede ayudar a diseñar fármacos candidatos que se adapten exactamente a las necesidades del paciente.

Retos de la IA en el descubrimiento de fármacos

Como ocurre con cualquier tecnología nueva, existen retos y obstáculos que superar para el descubrimiento de fármacos impulsado por la IA.

A veces, la IA generativa puede crear "alucinaciones", es decir, resultados incorrectos que suelen deberse a datos insuficientes o a suposiciones inexactas de la IA. Aunque a veces esto puede ser útil en el descubrimiento de fármacos, ya que conduce a nuevas posibilidades que los investigadores no habían considerado, también puede llevar a que la IA sugiera compuestos químicos que son imposibles de crear en la vida real.

La solución a este problema es entrenar los modelos de IA con moléculas y reacciones químicas que se sabe que son válidas, como la IA SyntheMol de Stanford Medicine. Así se garantiza que la IA sólo sugiera fármacos que puedan crearse realmente.

El segundo gran problema es el hardware para la IA. Los modelos actuales de IA dependen en gran medida del procesamiento paralelo, que les permite analizar grandes cantidades de datos simultáneamente. Sin embargo, el procesamiento paralelo requiere ordenadores especializados con el equipo adecuado, como potentes PC de panel médico respaldados por los procesadores y GPU adecuados.

Reflexiones finales

Aunque requieren modelos de entrenamiento eficaces y un hardware potente, el descubrimiento de fármacos impulsado por IA promete revolucionar la industria farmacéutica con un desarrollo más rápido y barato.

Si su empresa está explorando la IA generativa y busca una solución de hardware fiable que la respalde, póngase en contacto con el equipo de Cybernet Manufacturing. Nuestra experiencia como fabricantes de equipos originales para una amplia gama de ordenadores médicos y tabletas significa que podemos diseñar y construir un dispositivo para sus necesidades exactas, lo que le permite aprovechar al máximo lo último en soluciones de IA generativa.