Sin que apenas lo hayamos advertido la Inteligencia Artificial (IA) se ha hecho hueco en nuestras vidas. Ya es bien conocido su protagonismo en sectores como el comercio electrónico o el marketing on line, pero quizás no lo es tanto el papel relevante que también viene adquiriendo en ámbitos como la biomedicina o la biotecnología. En estos casos las variantes de las IA que vienen dando mayores y mejores resultados son aquellas que ponen a nuestra disposición potentes recursos que permiten a la las máquinas aprender mediante las diferentes herramientas como el Machine Learning (Aprendizaje Automatizado) o el Deep Learning (Aprendizaje Profundo).

En el área biomédica son las técnicas basadas en Deep Learning, que utilizan redes neuronales de razonamiento, las más exitosas. Estas redes neuronales, imitan al cerebro humano en el procesamiento y aprenden basándose en el uso de una gran cantidad de datos. Estos modelos superan en rapidez de cálculo a otros métodos computacionales; de ahí su aplicación en este campo. 

«Este conocimiento podría conducir a establecer nuevos biomarcadores o identificar, diseñar, optimizar y validar nuevos principios activos»

Un aspecto clave de estas aplicaciones es su capacidad de predecir las interacciones entre las moléculas; cuestión clave para comprender los mecanismos de la enfermedad. Este conocimiento podría conducir a establecer nuevos biomarcadores o identificar, diseñar, optimizar y validar nuevos principios activos. De hecho, se espera que la IA venga a cambiar el paradigma actual desde el diagnóstico de enfermedades a la investigación y la aplicación de la medicina de precisión. Y, particularmente, esta contribuirá al desarrollo de medicamentos para patologías que hasta ahora no tienen tratamiento y al descubrimiento de nuevas propiedades en fármacos ya existentes que permitirían su uso en patologías para las que no fueron diseñados (reposicionamiento de fármacos). 

Para desarrollar nuevas moléculas activas se debe conocer la estructura tridimensional de la denominada “diana terapéutica”, el lugar del organismo donde un fármaco ejerce su acción. Ese lugar suele ser una proteína y, precisamente, entender cómo estas adoptan su forma ha sido uno de los mayores desafíos de la biología durante el último medio siglo. Tradicionalmente, la estructura de las proteínas se determina experimentalmente mediante la aplicación de laboriosas técnicas experimentales. La técnica más empleada es la cristalografía de rayos X. Su aplicación requiere la cristalización previa de las proteínas y el posterior análisis de la posición de sus átomos mediante el uso de rayos X. Como alternativa a este procedimiento, se han desarrollado con éxito en los últimos años una serie de técnicas computacionales basadas en el aprendizaje profundo, que permiten la predicción de la estructura tridimensional con una precisión y velocidad sin precedentes. Estamos hablando de las herramientas computacionales AlphaFold2, desarrollada por Demis Hassabis y John Jumper, de la compañía DeepMind propiedad de Google; y RoseTTAFold, en este caso por David Baker, de la Universidad de Washington y el Howard Hughes Medical Institute. Y si bien los resultados obtenidos no han sustituido completamente a las técnicas tradicionales, han irrumpido con tal fuerza como complemento a las mismas que están revolucionando el campo de la biología y en particular la posibilidad de darle un ímpetu y velocidad extraordinarios a un área tan estratégica como la creación de nuevos fármacos.

Pero el impacto de la IA no se limita al estrictamente al caso concreto de la determinación de la estructura de las proteínas, sino que ya se está empleando en todas las etapas del desarrollo de fármacos, permitiendo el desarrollo acelerado de las fases pre-clínicas de los principios activos y maximizando las opciones de éxito. El resultado es que se está recortando el tiempo necesario para la identificación de la diana terapéutica y, en consecuencia, de las características deben cumplir las moléculas candidatas a fármaco para actuar sobre la misma. En la misma línea estas técnicas proporcionan predicciones rápidas y fiables sobre cómo son los procesos de absorción por el organismo, sobre el tiempo que permanecerán en él o las vías de administración más adecuadas. Si tenemos en cuenta que como promedio se requieren entre 12 y 15 años para que un paciente pueda usar un nuevo fármaco, los avances que facilita la IA permitirían no sólo que se acorte este tiempo significativamente, sino que se reducirían los costes de forma notable. Esto es así porque disminuiría el porcentaje de fracasos en los ensayos clínicos previos y, paralelamente, los gastos derivados de investigación y desarrollo al reducirse en número de ensayos y aumentar la probabilidad de éxito de las nuevas moléculas que es preciso sintetizar. En un escenario ideal esta combinación de factores tendría el efecto de universalizar el acceso a los fármacos como consecuencia del abaratamiento de precios. Tenemos ya ejemplos de fármacos que se han desarrollado en tiempo record bajo el auspicio de la IA en enfermedades como la fibrosis o la enfermedad de Huntington, pero esto no es más que el principio. Pese a que en un principio algunas voces críticas limitaban el potencial de la IA en el desarrollo de fármacos al considerarlo como «conjeturas informadas» debido a la ausencia de retroalimentación con los resultados experimentales posteriores; la realidad hoy es que dichas limitaciones se han superado y los nuevos avances han permitido el aprendizaje activo mediante un ciclo de retroalimentación interactivo entre el modelado de la IA y la evaluación experimental posterior.

En este momento el reto que se plantea se centra en saber formular adecuadamente el problema que queremos resolver. Para ello se requiere una hipótesis molecular, que solo se podrá formular si se comprende el origen de la enfermedad. Y, aunque en palabras de Ramón López de Mántaras, experto y pionero en IA “la IA aún no ha logrado nada que merezca el calificativo de inteligente pues actualmente no es capaz de establecer relaciones causa-efecto”; estamos convencidos de que en el campo de la biología experimental la convergencia de la integración de datos con la IA pueden conformar un ciclo virtuoso de aprendizaje activo que permitirá el desarrollo de nuevos medicamentos clínicamente mejorados, con mayor rapidez y a menores costes.

AUTORA: Cristina Yuntas

ILUSTRACIÓN CARLA GARRIDO