Blogs de Festeros.es

El desarrollo del machine learning y la inteligencia artificial y su aplicación a cada vez más facetas plantea cada vez más cuestiones interesantes sobre el funcionamiento de industrias conocidas.

El caso de las farmacéuticas, que trabajan en el descubrimiento de una molécula durante muchísimo tiempo para, tras las fases de ensayos clínicos y aprobación regulatoria, disponer de unos años de comercialización antes de que la molécula pase a estar disponible como medicamento genérico, es bien conocido. Generalmente, las compañías farmacéuticas prueban muchas moléculas para terminar desarrollando tan solo algunas, las que demuestran tener aplicaciones más claras, ventajas en términos del mercado al que se dirigen, etc., lo que lleva a que la composición de ese pipeline sea enormemente estratégica de cara a mantener un portfolio de moléculas competitivo en fase de comercialización.

La aplicación de algoritmos de machine learning en Medicina no es nuevo, pero a medida que caen las barreras de entrada a su diseño, entrenamiento y puesta en producción vamos viendo cada vez más ejemplos de su uso. Emplear un algoritmo, por ejemplo, para incluir un número mayor de variables en el diagnóstico de un ataque al corazón ha conseguido incrementar la fiabilidad de ese diagnóstico de manera muy notable, mejorando el tiempo de diagnóstico y, por tanto, la velocidad con la que puede ser tratado.

Plantear el uso de un algoritmo de machine learning para el diseño de moléculas para el tratamiento de patologías complejas en compañías farmacéuticas puede dar lugar a un fenómeno poco habitual: la disponibilidad de muchas más moléculas en fases iniciales del pipeline, ofreciendo así más grados de libertad a la gestión.

Alimentar a un algoritmo con las características clave de sustancias químicas con propiedades senolíticas, o anti-envejecimiento, provenientes de fuentes como artículos académicos y patentes comerciales, integrarlo con compuestos de dos bibliotecas químicas existentes que contienen una amplia gama de compuestos aprobados por la FDA o en etapa clínica, e incluir compuestos con propiedades senolíticas y no senolíticas para no sesgar el algoritmo de aprendizaje automático dio como resultado la identificación de veintiuna moléculas potenciales entre un conjunto de cuatro mil sustancias químicas, como describe un estudio publicado en la revista Nature.

Al evaluar esas veintiuna moléculas, los investigadores descubrieron tres sustancias químicas naturales (gingetina, periplocina y oleandrina, productos naturales que se encuentran en plantas medicinales tradicionales) que eliminaban las células senescentes sin dañar las células sanas. El proceso se describió como muchísimo más eficiente que el utilizado de manera tradicional en la búsqueda de moléculas para su uso farmacéutico, y permitió reducir considerablemente el número de moléculas sometidas a evaluación, lo que hace posible imaginar un futuro en el que las compañías farmacéuticas apliquen esa mejora de eficiencia y puedan trabajar así con moléculas mejor seleccionadas.

Combinando este tipo de algoritmos con otros, como el desarrollado por Deep Mind que permite predecir la configuración de las moléculas de proteínas, podemos estar hablando de toda una nueva etapa para la industria farmacéutica, hecha posible gracias al desarrollo de una tecnología como el machine learning y a su capacidad de trabajar con modelos con cada vez más parámetros. Francamente interesante… y relevante para todos.

Publicado con licencia Creative Commons 3.0 España