Los ensayos clínicos de los primeros medicamentos diseñados con ayuda de inteligencia artificial podrían comenzar este año, sugirió el martes el director ejecutivo de Google DeepMind, Demis Hassabis.
Hablando en un panel en el Foro Económico Mundial en Davos, Hassabis, quien también dirige Isomorphic Labs, una filial de descubrimiento de fármacos de DeepMind, dijo que esperado tener «algunos medicamentos diseñados por IA en ensayos clínicos para fin de año… Ese es el plan».
Isomorphic Labs ha intentado acelerar el desarrollo de medicamentos mediante el aprendizaje automático desde 2021. «Con el tiempo, se podría imaginar una medicina personalizada optimizada, tal vez de la noche a la mañana, mediante un sistema de inteligencia artificial para su metabolismo personal», dijo.
El entusiasmo por la IA es actualmente omnipresente, aunque Hassabis y su colega John Jumper obtuvieron un Premio Nobel Para el trabajo AlphaFold, un sistema de aprendizaje profundo que puede predecir estructuras de proteínas.
Las empresas farmacéuticas están interesadas en la IA porque tiene el potencial de ahorrarles mucho tiempo y dinero. Según un artículo reciente publicado en el Journal Nature Medicine, crear con éxito un nuevo fármaco y aprobar su uso puede llevar de 12 a 15 años y cuesta aproximadamente 2.600 millones de dólares.
Muchos medicamentos nunca son aprobados para su uso, ya que menos del diez por ciento de los ensayos clínicos en los que los humanos consumen el medicamento tienen éxito. Cualquier cosa que pueda reducir costos, acelerar el desarrollo o aumentar las tasas de éxito tendrá un impacto material en los resultados de las compañías farmacéuticas.
Los investigadores creen que hay muchas maneras en que los modelos de aprendizaje automático pueden mejorar y acelerar partes del proceso de descubrimiento de fármacos. Hassabis cree que se podrían lograr enormes ahorros de tiempo y costes.
Es necesario moderar ese tipo de optimismo porque es difícil conseguir datos de capacitación de alta calidad debido a las regulaciones de privacidad, las políticas de intercambio de datos y los costos de adquisición.
Hassabis cree que esos desafíos no son insuperables. «Se pueden generar algunos datos clave para llenar los vacíos que los datos públicos no contienen», dijo.
Esto se puede hacer en colaboración con organizaciones de investigación clínica o mediante el uso de datos sintéticos, algo que, según dijo, AlphaFold2 utiliza ampliamente. Sin embargo, como hemos dicho anteriormente discutidoLos datos sintéticos pueden ser problemáticos.
«Hay que tener mucho cuidado si se utilizan datos sintéticos, que en realidad representen correctamente la distribución y no se estén entrenando de alguna manera con sus propios errores», dijo Hassabis.
Hassabis no cree que la IA vaya a reemplazar a los científicos en el corto plazo.
«La verdadera invención aún no es posible con la IA. No puede generar una nueva hipótesis o una nueva conjetura. Quizás pueda resolver una conjetura complicada en, digamos, matemáticas. Creo que estamos muy cerca de lograr grandes avances en ese sentido. «Creo que realmente lo veremos este año, pero eso es diferente a proponer la teoría o la hipótesis, como lo hacen los mejores científicos humanos», dijo.
Hassabis no es el único que explora la aplicación del aprendizaje automático en el descubrimiento de fármacos. Nvidia también ha mostrado entusiasmo por el descubrimiento de fármacos potenciado por la IA, tal vez porque creará más razones para comprar su hardware.
El pasado otoño del norte, Nvidia de código abierto su familia BioNeMo de marcos de aprendizaje automático acelerados por GPU para el desarrollo de fármacos y el diseño molecular. La compañía también ha tomado medidas para reempaquetar modelos existentes como AlphaFold2 de DeepMind y DiffDock 2.0 del MIT como microservicios para hacerlos más fáciles de consumir.
Nvidia también es asociarse con las principales empresas farmacéuticas, incluido el gigante farmacéutico danés Novo Nordisk, para poner en línea nuevos sistemas de investigación. La supercomputadora danesa Gefion, que aplica el aprendizaje automático a las ciencias biológicas y al desarrollo de nuevos tratamientos, es un ejemplo de tales esfuerzos. ®
