El coste total para desarrollar un medicamento puede oscilar entre 1.500 y 2.000 millones de euros y el tiempo de trabajo invertido entre 12 y 15 años, con una tasa de éxito del 1%. El desarrollo de un fármaco para poder llegar a la farmacia es como una carrera de obstáculos, en la que salen muchos, pero llegan muy pocos. Y no hay que olvidar a los animales que se utilizan en los ensayos para saber si un fármaco es eficaz y para evaluar su toxicidad antes de probarlos en los seres humanos y que son necesarios para lograr que un medicamento llegue a la farmacia.
En 2017, según datos extraídos del “Informe sobre usos de animales en experimentación y otros fines científicos” (Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente, 2017) se emplearon con estos fines 802.976 animales, sólo en España. Es evidente que en la actualidad, el empleo de los animales de experimentación es indispensable para comprobar la eficacia y seguridad de los fármacos, si bien su uso genera cada vez más rechazo en nuestra sociedad. A pesar de que durante los últimos años los científicos han realizado un esfuerzo increíble por reducir y cuidar al máximo la experimentación en animales, recientemente han surgido herramientas que permiten un ahorro durante el proceso de desarrollo de fármacos tanto en el número de animales, como en el tiempo en poner un fármaco en el mercado y por ende el dinero invertido. ¿Y cómo?, os estaréis preguntando.
La inteligencia artificial (IA) puede ayudar a acortar estas cifras y por tanto a elevar la tasa de éxito. Ya sé que el término inteligencia artificial podemos escucharlo al día probablemente unas 20-40 veces, los medios de comunicación nos hablan de ella, el vecino, la cuñada... ¿Pero sabemos realmente que es la Inteligencia Artificial? Y lo más importante, ¿dónde puede ser útil?
La Inteligencia Artificial es la capacidad que tienen las maquinas para aprender. ¿Y cómo aprenden? Pues dependiendo de la tarea que se pretenda realizar hay diferentes herramientas como el Machine Learning (Aprendizaje Automatizado) o el Deep Learning (Aprendizaje Profundo), éste último utiliza redes neuronales de razonamiento, intentado imitar al cerebro humano.
Seguramente cuando nos hablan de Inteligencia Artificial muchos de nosotros pensamos en grandes máquinas, robots, coches autónomos… y sí, la Inteligencia Artificial es todo eso, pero también abarca muchas más aplicaciones.
Y entre dichas aplicaciones, en este artículo quiero destacar su gran utilidad en el desarrollo de medicamentos. De hecho, ya se está empleando IA en todas las etapas del desarrollo de fármacos, desde la identificación de la diana terapéutica causante de la enfermedad, que es donde el fármaco va a ejercer su acción para lograr la cura de la enfermedad, pasando por el diseño que permite conocer a priori qué características deben cumplir las moléculas candidatas a fármaco para actuar sobre dicha diana. Otras aplicaciones incluyen la predicción de cómo serán absorbidos por el organismo estos nuevos compuestos, cuánto permanecerán en nuestro cuerpo, si pueden ser administradas oralmente o es necesaria otra vía…. También es una herramienta muy útil para la identificación de medicamentos que pueden emplearse en diferentes patologías (reposicionamiento de fármacos), hasta la elección de los pacientes idóneos para los ensayos clínicos.
A lo largo de las últimas dos décadas, nuestro grupo de investigación (CSIC) ha estado trabajando en el área de la Química Médica, en concreto en el desarrollo de fármacos para enfermedades neurodegenerativas e infecciosas. Nos hemos especializado en el empleo de técnicas computacionales para el diseño e identificación de los candidatos a fármacos, siendo las redes neuronales artificiales una herramienta muy poderosa.
Durante los últimos años, gracias a una colaboración con un grupo de investigación del CONICET (Argentina), empezamos a desarrollar modelos de IA, empleando machine learning con el fin de predecir cualquier propiedad biológica de un posible fármaco, sin necesidad de obtenerlo en el laboratorio y sin necesidad de realizar experimentación en animales. ¿Y cuáles son las propiedades biológicas de un fármaco? Pues son propiedades tan importantes como la capacidad que tiene el fármaco de unirse a la diana terapéutica responsable de una patología, si presenta toxicidad, o si atraviesa la barrera hematoencefálica, que protege nuestro cerebro de posibles sustancias tóxicas. El paso a través de dicha barrera es obligatorio para los medicamentos que actúan a nivel del sistema nervioso central, por ejemplo, los fármacos contra la enfermedad de Alzheimer. Desgraciadamente, no todos los fármacos atraviesan dicha barrera, una condición clave para continuar con el desarrollo de los mismos, como etapa previa para sus ensayos posteriores, incluyendo modelos animales. Disponer de herramientas como el machine learning o Deep Learning nos permiten predecir estas propiedades, a semejanza de los meteorólogos con la predicción del tiempo a través de los modelos matemáticos desarrollados. Estos modelos, aprenden de los datos de entrada, en nuestro caso las estructuras químicas y de la correspondiente propiedad biológica asociada que queramos predecir para nuevas moléculas.
En este contexto, nos proponemos la creación de una empresa biotecnológica, AItenea, cuyo objetivo es la comercialización de una plataforma on-line donde se integren modelos matemáticos predictivos basados en inteligencia artificial para la predicción de cualquier parámetro físico-químico, toxicológico o farmacológico que facilite el desarrollo de fármacos. Esta estrategia debería permitir un proceso más rápido, efectivo y económico. Estos modelos que utilizan Deep Learning superan en rapidez de cálculo a otros métodos computacionales convencionales, definiendo un abanico de propiedades que describan muy específicamente el comportamiento de un fármaco. Esta información es la que la investigación farmacéutica necesita para poder acelerar su desarrollo preclínico, seleccionando mejor los candidatos por los que apostar y maximizando las opciones de éxito.
En la presente crisis sanitaria causada por el SARS-CoV-2, donde se carece de un tratamiento eficaz para la COVID-19, la Inteligencia Artificial posee un gran arsenal de herramientas que puede ayudar a frenar el avance de dicho virus y desarrollar tratamientos eficaces para la enfermedad. En uno de nuestros proyectos, mediante técnicas de Deep Learning , y utilizando como entrada la información existente sobre los diferentes tratamientos para otros coronavirus como el SARS-CoV o el MERS, generaremos modelos que puedan utilizar quimiotecas (grandes colecciones) de fármacos como la de la FDA (U.S. Food & Drug Administration) tanto para el reposicionamiento de fármacos, es decir utilizar un fármaco desarrollado anteriormente para una patología en una nueva, como para la identificación y diseño de nuevos antivirales. Estos modelos requieren para su aprendizaje una gran cantidad de datos, tanto positivos como negativos. El input o los datos de entrada serán las estructuras de los antivirales utilizados para los coronavirus antes mencionados y los compuestos que se han quedado por el camino-¿recordáis la carrera de obstáculos que hablábamos al principio?, pues esos compuestos también son útiles- junto con su correspondiente valor de actividad biológica, es decir la capacidad de eliminación del virus. Con toda esa información la red neuronal aprenderá, y como resultado, cuando le planteemos una estructura química, ya sea de nueva síntesis, o existente, como el reposicionamiento de fármacos, dicha red neuronal predecirá si ese compuesto puede matar al virus, evitando ensayos o síntesis inútiles. El ahorro de tiempo y dinero es enorme, en una situación de crisis como la que vivimos ambos factores son cruciales, y la inteligencia artificial es clave para la identificación de antivirales contra el SARS-CoV-2, o de agentes infecciosos de futuras pandemias.
En 2017, según datos extraídos del “Informe sobre usos de animales en experimentación y otros fines científicos” (Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente, 2017) se emplearon con estos fines 802.976 animales, sólo en España. Es evidente que en la actualidad, el empleo de los animales de experimentación es indispensable para comprobar la eficacia y seguridad de los fármacos, si bien su uso genera cada vez más rechazo en nuestra sociedad. A pesar de que durante los últimos años los científicos han realizado un esfuerzo increíble por reducir y cuidar al máximo la experimentación en animales, recientemente han surgido herramientas que permiten un ahorro durante el proceso de desarrollo de fármacos tanto en el número de animales, como en el tiempo en poner un fármaco en el mercado y por ende el dinero invertido. ¿Y cómo?, os estaréis preguntando.
La inteligencia artificial (IA) puede ayudar a acortar estas cifras y por tanto a elevar la tasa de éxito. Ya sé que el término inteligencia artificial podemos escucharlo al día probablemente unas 20-40 veces, los medios de comunicación nos hablan de ella, el vecino, la cuñada... ¿Pero sabemos realmente que es la Inteligencia Artificial? Y lo más importante, ¿dónde puede ser útil?
La Inteligencia Artificial es la capacidad que tienen las maquinas para aprender. ¿Y cómo aprenden? Pues dependiendo de la tarea que se pretenda realizar hay diferentes herramientas como el Machine Learning (Aprendizaje Automatizado) o el Deep Learning (Aprendizaje Profundo), éste último utiliza redes neuronales de razonamiento, intentado imitar al cerebro humano.
Seguramente cuando nos hablan de Inteligencia Artificial muchos de nosotros pensamos en grandes máquinas, robots, coches autónomos… y sí, la Inteligencia Artificial es todo eso, pero también abarca muchas más aplicaciones.
Y entre dichas aplicaciones, en este artículo quiero destacar su gran utilidad en el desarrollo de medicamentos. De hecho, ya se está empleando IA en todas las etapas del desarrollo de fármacos, desde la identificación de la diana terapéutica causante de la enfermedad, que es donde el fármaco va a ejercer su acción para lograr la cura de la enfermedad, pasando por el diseño que permite conocer a priori qué características deben cumplir las moléculas candidatas a fármaco para actuar sobre dicha diana. Otras aplicaciones incluyen la predicción de cómo serán absorbidos por el organismo estos nuevos compuestos, cuánto permanecerán en nuestro cuerpo, si pueden ser administradas oralmente o es necesaria otra vía…. También es una herramienta muy útil para la identificación de medicamentos que pueden emplearse en diferentes patologías (reposicionamiento de fármacos), hasta la elección de los pacientes idóneos para los ensayos clínicos.
A lo largo de las últimas dos décadas, nuestro grupo de investigación (CSIC) ha estado trabajando en el área de la Química Médica, en concreto en el desarrollo de fármacos para enfermedades neurodegenerativas e infecciosas. Nos hemos especializado en el empleo de técnicas computacionales para el diseño e identificación de los candidatos a fármacos, siendo las redes neuronales artificiales una herramienta muy poderosa.
Durante los últimos años, gracias a una colaboración con un grupo de investigación del CONICET (Argentina), empezamos a desarrollar modelos de IA, empleando machine learning con el fin de predecir cualquier propiedad biológica de un posible fármaco, sin necesidad de obtenerlo en el laboratorio y sin necesidad de realizar experimentación en animales. ¿Y cuáles son las propiedades biológicas de un fármaco? Pues son propiedades tan importantes como la capacidad que tiene el fármaco de unirse a la diana terapéutica responsable de una patología, si presenta toxicidad, o si atraviesa la barrera hematoencefálica, que protege nuestro cerebro de posibles sustancias tóxicas. El paso a través de dicha barrera es obligatorio para los medicamentos que actúan a nivel del sistema nervioso central, por ejemplo, los fármacos contra la enfermedad de Alzheimer. Desgraciadamente, no todos los fármacos atraviesan dicha barrera, una condición clave para continuar con el desarrollo de los mismos, como etapa previa para sus ensayos posteriores, incluyendo modelos animales. Disponer de herramientas como el machine learning o Deep Learning nos permiten predecir estas propiedades, a semejanza de los meteorólogos con la predicción del tiempo a través de los modelos matemáticos desarrollados. Estos modelos, aprenden de los datos de entrada, en nuestro caso las estructuras químicas y de la correspondiente propiedad biológica asociada que queramos predecir para nuevas moléculas.
En este contexto, nos proponemos la creación de una empresa biotecnológica, AItenea, cuyo objetivo es la comercialización de una plataforma on-line donde se integren modelos matemáticos predictivos basados en inteligencia artificial para la predicción de cualquier parámetro físico-químico, toxicológico o farmacológico que facilite el desarrollo de fármacos. Esta estrategia debería permitir un proceso más rápido, efectivo y económico. Estos modelos que utilizan Deep Learning superan en rapidez de cálculo a otros métodos computacionales convencionales, definiendo un abanico de propiedades que describan muy específicamente el comportamiento de un fármaco. Esta información es la que la investigación farmacéutica necesita para poder acelerar su desarrollo preclínico, seleccionando mejor los candidatos por los que apostar y maximizando las opciones de éxito.
En la presente crisis sanitaria causada por el SARS-CoV-2, donde se carece de un tratamiento eficaz para la COVID-19, la Inteligencia Artificial posee un gran arsenal de herramientas que puede ayudar a frenar el avance de dicho virus y desarrollar tratamientos eficaces para la enfermedad. En uno de nuestros proyectos, mediante técnicas de Deep Learning , y utilizando como entrada la información existente sobre los diferentes tratamientos para otros coronavirus como el SARS-CoV o el MERS, generaremos modelos que puedan utilizar quimiotecas (grandes colecciones) de fármacos como la de la FDA (U.S. Food & Drug Administration) tanto para el reposicionamiento de fármacos, es decir utilizar un fármaco desarrollado anteriormente para una patología en una nueva, como para la identificación y diseño de nuevos antivirales. Estos modelos requieren para su aprendizaje una gran cantidad de datos, tanto positivos como negativos. El input o los datos de entrada serán las estructuras de los antivirales utilizados para los coronavirus antes mencionados y los compuestos que se han quedado por el camino-¿recordáis la carrera de obstáculos que hablábamos al principio?, pues esos compuestos también son útiles- junto con su correspondiente valor de actividad biológica, es decir la capacidad de eliminación del virus. Con toda esa información la red neuronal aprenderá, y como resultado, cuando le planteemos una estructura química, ya sea de nueva síntesis, o existente, como el reposicionamiento de fármacos, dicha red neuronal predecirá si ese compuesto puede matar al virus, evitando ensayos o síntesis inútiles. El ahorro de tiempo y dinero es enorme, en una situación de crisis como la que vivimos ambos factores son cruciales, y la inteligencia artificial es clave para la identificación de antivirales contra el SARS-CoV-2, o de agentes infecciosos de futuras pandemias.