Si bien existe un creciente consenso en que la IA acelerará el desarrollo de fármacos (aunque no necesariamente lo abaratará debido a los altos costos asociados), las expectativas en cuanto a su rol en la I+D siguen siendo altas.

Un tema recurrente en las discusiones sobre el uso de la IA en el descubrimiento de fármacos es la necesidad de encontrar un equilibrio entre la exageración y el escepticismo. Las organizaciones están trabajando en conjunto para desarrollar marcos de trabajo para una IA responsable, especialmente a la luz de los documentos de debate provenientes de reguladores europeos y estadounidenses sobre el uso de la IA en el ciclo de vida de los productos farmacéuticos.

Para tener una perspectiva pragmática, este artículo se centra en la identificación de dianas como una oportunidad para aplicar la IA de manera práctica en el descubrimiento de fármacos.

Dianas Terapéuticas: Revisitando un Concepto Clave

La identificación de dianas se refiere a dos procesos distintos:

• Identificación tradicional de dianas: Consiste en determinar si una biomolécula natural juega un papel en una enfermedad específica. Esta biomolécula, o “diana”, luego puede utilizarse para desarrollar nuevos fármacos que interactúen con ella.
• Deconvolución de dianas: Se trata de identificar la diana de un fármaco previamente descubierto a través de un proceso conocido como cribado de caja negra.

La identificación de dianas es el primer paso en el descubrimiento de fármacos y se centra en buscar pistas que puedan vincular una proteína determinada con una vía de enfermedad particular. Dada la gran cantidad de dianas potenciales y enfermedades a estudiar, la búsqueda de pistas a través de estudios tradicionales puede llevar mucho tiempo y esfuerzo.

La IA como Aliada en el ReDescubrimiento de Dianas Terapéuticas

La IA, particularmente la generativa (genAI) y los modelos de lenguaje grande (LLM), pueden acelerar la identificación de dianas mediante el análisis de grandes cantidades de texto e identificando relaciones entre proteínas y vías de enfermedad. Los LLM pueden analizar literatura científica y otros conjuntos de datos grandes en busca de pistas que vinculen proteínas a vías de enfermedad.

Además de analizar texto, la IA también se puede utilizar para analizar grandes volúmenes de datos biológicos y de salud pública. Por ejemplo, se pueden desarrollar algoritmos de aprendizaje automático para analizar datos genéticos y de secuenciación del genoma para identificar nuevas dianas terapéuticas.

La IA también puede ayudar en el preprocesamiento y limpieza de datos, tareas que consumen mucho tiempo para los científicos de datos. Los LLM se pueden entrenar para identificar inconsistencias, errores o anomalías en los datos, como valores faltantes, valores atípicos o formatos incorrectos.

Hacia una Investigación Biomédica más Eficiente

Si bien la IA aún enfrenta desafíos en el descubrimiento de fármacos, su potencial para mejorar la eficiencia en la identificación de dianas es significativo. Las herramientas basadas en IA como los LLM pueden acelerar la investigación biomédica, haciéndola más accesible y permitiendo a los científicos dedicar más tiempo a tareas que requieren de su juicio y creatividad humana.