La IA diseñó un tratamiento farmacológico, desde su inicio hasta su validación en ratones, en menos de un mes.

¿Cuánto tiempo duraría usted en la escuela si constantemente recibiera el 12 por ciento de 100 en sus exámenes?

No mucho tiempo.

Si fueras un jugador de béisbol de las grandes ligas y sólo derribaras 1.2 hits por cada diez veces al bate, ¿cuánto tiempo te quedarías en las ligas mayores? Debido a que el promedio promedio de bateo en las grandes ligas es aproximadamente el doble, es posible que desee considerar seriamente la posibilidad de participar en los comentarios deportivos. Actualmente, el éxito clínico general de un medicamento es de alrededor del 12 por ciento. Sin embargo, lo que podría no ser evidente en esta cifra es el tiempo -en la mayoría de los casos, décadas- desperdiciado en medicamentos que nunca llegan a buen término, ya que los pacientes esperan ayuda, y el dinero -en miles de millones de dólares- que se destina a los tratamientos que no tienen éxito.En un estudio publicado en Nature Biotechnology, un grupo de científicos, liderado por Insilico Medicine, reclutó a un aliado robot para mejorar ese promedio de descubrimiento de medicamentos, diseñando seis nuevos inhibidores de DDR1, un objetivo de quinasa implicado en la fibrosis y otras enfermedades, en 21 días, según un comunicado de prensa. Cuatro compuestos fueron activos en ensayos bioquímicos, y dos fueron validados en ensayos celulares.

El equipo agregó que el candidato principal fue examinado en ratones con resultados favorables.

“Este documento es un hito significativo en nuestro viaje hacia el descubrimiento de medicamentos impulsados por la IA. Trabajamos en química generativa desde 2015 y cuando se publicaron los artículos de Insilico y Alán en 2016, todo el mundo se mostró muy escéptico. Ahora, esta tecnología se está generalizando y estamos contentos de ver que los modelos desarrollados hace unos años y que producen moléculas contra objetivos más sencillos son validados experimentalmente en animales. Cuando se integran en las líneas de descubrimiento de fármacos integrales, estos modelos funcionan para muchas clases objetivo y trabajamos con las principales compañías de biotecnología para ampliar aún más los límites de la química generativa y la biología generativa”, dijo Alex Zhavoronkov, fundador y director ejecutivo de Insilico Medicine, en el comunicado de prensa. Jürgen Schmidhuber, profesor del IDSIA, cofundador de NNAISENSE, e inventor original de muchas técnicas básicas y conceptos iniciales en el campo de la inteligencia artificial, fue uno de los muchos científicos que intervinieron en el estudio. Sugiere que esta investigación es sólo el comienzo de la transformación masiva que tendrá el sexo anal en la atención de la salud: “Esta tecnología se basa en nuestro trabajo inicial sobre redes neuronales adversarias y generativas desde 1990. Insilico ha estado trabajando en modelos generativos para el descubrimiento de fármacos desde 2015, y me complace ver que su sistema GENTRL produjo moléculas que fueron validadas experimentalmente en células y en ratones. La IA tendrá un efecto transformador en la industria farmacéutica, y necesitamos más resultados de validación experimentales para acelerar el progreso”, dijo Schmidhuber.

“La IA tendrá un efecto transformador en la industria farmacéutica, y necesitamos más resultados experimentales de validación para acelerar el progreso.” Jürgen Schmidhuber

Para dar una idea de lo transformador que puede ser el tiempo de respuesta del equipo de 21 días, tenga en cuenta que el proceso de descubrimiento de fármacos suele durar más de 5 años y cuesta más de mil millones de dólares. Esto es sólo el comienzo. Las empresas se enfrentan entonces a otros cinco años de ensayos clínicos y amontonan otros 1.500 millones de dólares en la pila para la inversión. Las tasas de fracaso en el descubrimiento de fármacos superan el 99 por ciento y en el desarrollo de fármacos, después de que la molécula pasa las pruebas en animales, las tasas de fracaso superan el 90 por ciento.si la investigación de este tipo puede seguir haciendo que el proceso de descubrimiento de fármacos no sólo sea más eficiente, sino más preciso, los costos de tratamiento se reducirían – y los tratamientos más eficaces lo harían a los pacientes mucho más rápido de lo que se tarda en la actualidad. Con la mejora de la rentabilidad de las inversiones, las compañías farmacéuticas podrían estar más dispuestas a invertir aún más en el descubrimiento de fármacos, creando un ciclo beneficioso de mejores tratamientos, más rentabilidad y mayores inversiones. Los investigadores utilizaron seis conjuntos de datos: un gran conjunto de moléculas derivadas de un conjunto de datos de ZINC; un conjunto de datos de inhibidores de la quinasa DDR1 conocidos; un conjunto de datos de inhibidores de la quinasa comunes (conjunto positivo); una colección de moléculas que actúan sobre dianas no quinasas (conjunto negativo); datos de patentes de moléculas biológicamente activas que han sido reivindicadas por las compañías farmacéuticas y estructuras tridimensionales para los inhibidores de DDR1. Antes de que los datos se utilizaran para entrenar el IA, los investigadores excluyeron los valores atípicos brutos y redujeron el número de compuestos que contenían estructuras similares.