Inteligencia artificial - 5 Febrero, 2024
Inteligencia Artificial, la llave para agilizar el desarrollo de nuevos fármacos
Investigadores suizos desarrollan un sistema que determina el método más adecuado para sintetizar moléculas de fármacos y estimar sus probabilidades de éxito.
El sistema combina los datos sobre reacciones químicas de componentes procesados por un algoritmo con los que proceden de un laboratorio automatizado.
Tags: #inteligenciaartificial, #farmacos, #laboratorio
🕑︎ 2:30 min.
La empresa DeepMind1, perteneciente a Google, desarrolló a finales de 2020 un software de Inteligencia Artificial (IA) capaz de predecir la estructura molecular de las proteínas con un elevado grado de acierto.
El desarrollo de este programa, llamado AlphaFold2, no solo supuso un hito desde el punto de vista científico, ya que ayudaba a conocer con precisión el funcionamiento de las proteínas, sino que también abrió la puerta al desarrollo de nuevos fármacos a través de esta tecnología.
Cuatro años después, esta herramienta digital ha permitido a un grupo de investigadores suizos determinar el método más adecuado para sintetizar moléculas de fármacos y realizar una estimación real de sus probabilidades de éxito, tal y como recoge la revista Nature Chemistry3.
Simplificación de procesos
La ventaja de esta nueva metodología, según sus impulsores, es que tiene el potencial de reducir significativamente el número de experimentos de laboratorio que se llevan a cabo en los procesos convencionales de diseño de medicamentos para aumentar tanto la eficiencia del proceso como la sostenibilidad de la síntesis química.
El desarrollo de medicamentos es un proceso de suma complejidad que abarca múltiples factores: por un lado, se necesita encontrar el principio o componente químico capaz de servir al propósito que se persigue, identificar el método industrial más adecuado para elaborarlos, reducir al máximo los efectos secundarios, etc. Por eso, el descubrimiento e identificación iniciales de las dianas terapéuticas deben ir acompañados de una investigación preclínica, una investigación clínica con seres humanos, una fase de registro y autorización, y una última fase de lanzamiento y monitorización de la actividad.
Estos requerimientos exigen una estrategia investigadora muy bien definida, altas dosis de paciencia y, sobre todo, capacidad de resiliencia a la hora de superar los retos y reveses que se producen en este tipo de procesos.
A pesar de que un nuevo principio activo puede resultar esperanzador a la hora de encontrar un medicamento eficaz, para asegurar la viabilidad de su fabricación a escala industrial es necesario identificar el modo idóneo de elaborarlo.
Mayor eficiencia
Hasta el momento, la única forma de filtrar resultados era a través del método de ensayo y error: a partir de reacciones químicas ya conocidas se establecen nuevos métodos de síntesis para ser probados en el laboratorio, un proceso muy largo y costoso.
El modelo de IA desarrollado por los investigadores suizos simplifica enormemente este proceso ya que combina los datos aportados al algoritmo sobre las reacciones químicas de determinados componentes que ya figuran en la literatura científica con los obtenidos de un laboratorio automatizado que registra infinidad de reacciones a escala para su análisis simultáneo.
Hasta el momento, este método combinado, que tiene un enorme potencial para aumentar la eficiencia de la síntesis química y mejorar la sostenibilidad, ya se ha utilizado con éxito para saber si existen opciones para introducir grupos activos adicionales en los ya existentes; es decir, para desarrollar variantes nuevas y más efectivas de los ingredientes activos de medicamentos conocidos con mayor rapidez.
Las pruebas realizadas hasta el momento han permitido comprobar la capacidad predictiva del modelo generado a partir de un amplio conjunto de datos, con unos resultados óptimos.
Referencias
DeepMind. Google. [Internet]. Disponible en: https://deepmind.google/
AlphaFold. Protein Structure Database. [Internet]. Disponible en: https://alphafold.ebi.ac.uk/
Revista Nature. Nature Chemistry. Enabling late-stage drug diversification by high-throughput experimentation with geometric deep learning. [Internet]. Disponible en: https://www.nature.com/articles/s41557-023-01360-5
¿Qué te ha parecido el artículo?
