En diciembre, The Conversation organizó un seminario web sobre el papel revolucionario de la inteligencia artificial en el descubrimiento y desarrollo de fármacos.
El editor de ciencia y tecnología, Eric Smalley, entrevistó a Jeffrey Skolnick, científico distinguido en biología de sistemas computacionales del Instituto de Tecnología de Georgia, y a Benjamin P. Brown, profesor asistente de farmacología de la Universidad de Vanderbilt.
Skolnik ha desarrollado enfoques basados en inteligencia artificial para predecir la estructura y función de las proteínas que pueden ayudar en el descubrimiento de fármacos y encontrar usos no autorizados para los medicamentos existentes. El laboratorio de Brown está trabajando para crear nuevos modelos informáticos que hagan que el descubrimiento de fármacos sea más rápido y fiable. A continuación se muestra una versión condensada y editada de la entrevista.
Comencemos con el panorama general. ¿Cómo está cambiando la IA la investigación biomédica y el descubrimiento de fármacos, y de qué potencial estamos hablando?
Skolnik: El lado positivo es potencialmente muy grande. Una de las cosas frustrantes del descubrimiento de fármacos es que, a pesar de que las personas que lo hacen son extremadamente inteligentes y han hecho un trabajo extremadamente bueno, la tasa de éxito es muy baja. Aproximadamente 1 de cada 5 medicamentos tendrá efectos negativos para la salud que superan sus beneficios. De los que aprueban, aproximadamente la mitad no trabaja.
Hay varias preguntas clave en el desarrollo de fármacos: ¿Se puede predecir qué objetivo desencadena una enfermedad en particular? Una vez que se identifica este objetivo, ¿cómo se puede garantizar que el medicamento funcionará y no lo matará al mismo tiempo?
Estos son problemas pendientes en el descubrimiento de fármacos en los que la IA puede desempeñar un papel importante, aunque no 100% garantizado. A diferencia de nosotros, la inteligencia artificial puede analizar básicamente todo el conocimiento disponible. En un buen día hace conexiones fuertes y verdaderas llamadas “insights” y en un mal día hace lo que se llama “alucinación” y ve cosas que son débiles y probablemente falsas.
Eric Smalley entrevista a Jeffrey Skolnik y Benjamin P. Brown.
Después de todo, muchas enfermedades no tienen cura. La mayoría de las enfermedades, como el colesterol alto o las enfermedades autoinmunes, se autosostenen. El tratamiento del cáncer podría llevarle cinco años y ahora se encuentra en la etapa 4 y ha agotado todos los medicamentos estándar para el tratamiento. La IA puede desempeñar un papel al sugerir alternativas donde no las hay.
Demos aquí algunas definiciones básicas. Cuando utilizamos la palabra medicina, hablamos de una amplia gama de terapias. ¿Puede explicarnos la variedad? Tenemos medicamentos de molécula pequeña, productos biológicos, terapias génicas y terapias celulares.
Brown: Tenemos moléculas bastante grandes en nuestro cuerpo llamadas proteínas. Son como máquinas que realizan determinadas funciones e interactúan entre sí. A menudo, cuando intentamos tratar una enfermedad, intentamos cambiar las funciones de proteínas específicas. Muchos medicamentos, como la aspirina y el Tylenol, son moléculas pequeñas que pueden encajar en una proteína y cambiar su función. Básicamente, los medicamentos no solo necesitan interactuar con las proteínas, sino que esta es la forma principal en que funciona nuestro repertorio actual de medicamentos.
También hay proteínas que actúan como fármacos, como los anticuerpos. Cuando recibe una vacuna contra un virus, su cuerpo básicamente recibe instrucciones sobre cómo desarrollar anticuerpos. Estos anticuerpos se dirigirán a alguna parte de ese virus. Su cuerpo crea estas grandes moléculas, mucho más grandes que la aspirina, para interactuar con proteínas extrañas de una manera diferente. La terapia genética es un paso más allá.
Así que estas modalidades (molécula, proteína, anticuerpo o gen) son tipos de moléculas muy diferentes. Tienen diferentes escalas y reglas, por lo que la forma de abordar el diseño y el descubrimiento es variada.
¿Puedes explicar brevemente las redes neuronales artificiales y qué significa “profundo” en el aprendizaje profundo?
Skolnik: AlphaFold, desarrollado por DeepMind, implicó comprender cómo funcionan las redes neuronales. Construyeron una red con muchas entradas, que son estímulos, y salidas con diferentes pesos, similar a cómo funciona realmente el cerebro. Estas conexiones simples, o neuronas, tienen aprendizaje por refuerzo.
DeepMind construyó una red neuronal con muchas entradas y salidas con diferentes pesos, similar a cómo funciona realmente el cerebro. Laboratorio de imágenes creativas/Getty Images
También crearon redes neuronales sofisticadas, como transformadores, que hacen cosas específicas como una herramienta de propósito especial que puede aprender, y agregaron un mecanismo llamado “atención”, que amplifica los detalles críticos. Las súper redes neuronales con transformadores son lo que llamamos aprendizaje profundo. Ahora tienen literalmente miles de millones, si no billones, de parámetros.
Básicamente, estas máquinas pueden aprender correlaciones de orden superior entre eventos, es decir, patrones de interacciones condicionales que dependen de las propiedades de múltiples cosas simultáneamente. En estas correlaciones de orden superior, la IA tiene el potencial de ver cosas previamente desconocidas incrustadas en petabytes (una unidad de datos equivalente a la mitad del contenido de todas las bibliotecas de investigación académica de datos biológicos de EE. UU.).
AlphaFold, que predice las formas bioactivas tridimensionales de las proteínas, tiene millones de secuencias y varios cientos de miles de estructuras. Puede decirte, basándose en un patrón determinado, qué pequeña molécula diseñar que se adhiera a la proteína para provocar algún tipo de cambio estructural.
¿Cómo se utiliza esta tecnología en la investigación biomédica para comprender la dinámica molecular o, fundamentalmente, los procesos biológicos implicados en la salud y la enfermedad?
Brown: En 2013, hubo un Premio Nobel por simulaciones de dinámica molecular, herramientas computacionales que ayudan a comprender el movimiento de las moléculas a medida que avanzan hacia la física. Hay una gran cantidad de investigaciones científicas basadas en esas ideas.
La IA y el aprendizaje profundo son importantes en este momento, pero vale la pena mencionar que durante la última década y media, la gente ha estado utilizando algoritmos de aprendizaje automático mucho más pequeños para ayudar a diseñar medicamentos. Muchas ideas, como (usar el aprendizaje automático para la detección virtual), no son nuevas y se han puesto en práctica desde hace algún tiempo.
Con las tecnologías AlphaFold que ayudan a las personas a diseñar proteínas y predecir su estructura, hemos cambiado la forma en que pensamos sobre muchos de estos problemas. Disponemos de este nuevo repertorio de enfoques para generar ideas y empezar a pensar en el descubrimiento de fármacos.
Desde hace 20 años hasta hoy, ¿qué ha hecho la tecnología de inteligencia artificial actual en términos del alcance del cambio en este proceso?
Skolnik: Muchas enfermedades, como el cáncer, son causadas por un conjunto de proteínas que no funcionan correctamente. La IA ahora nos permite comenzar a pensar conceptualmente sobre cómo se organizan y relacionan estas enfermedades entre sí.
Las enfermedades tienden a ocurrir juntas. Por ejemplo, si tienes hipertiroidismo, es muy probable que desarrolles la enfermedad de Alzheimer. Un poco extraño, ¿no? Podemos mirar partes, pero la IA puede mirar toda la información, integrar el comportamiento colectivo y luego identificar desencadenantes comunes. Esto le permite establecer relaciones entre enfermedades que ofrecen la posibilidad de tratamientos de amplio espectro que podrían tratar una amplia gama de enfermedades, en lugar de tratamientos de espectro reducido.
La IA ofrece la posibilidad de un tratamiento de amplio espectro, lo que significa que un fármaco puede tratar una variedad de enfermedades. Gracia Cari/Getty Images
En una nota relacionada, la IA también puede ayudarnos a comprender las trayectorias de las enfermedades. Las enfermedades que tienden a ocurrir suelen aparecer de forma consecutiva. Tienes la enfermedad 1, te da la enfermedad 2 y luego te da la enfermedad 3. Esto sugiere que si vuelves a la raíz con la enfermedad 1, es posible que puedas detener un montón de cosas. No se pueden analizar millones de trayectorias y millones de datos sin herramientas, como antes no se podía.
Esto promete mucho, pero también hay que tener cuidado de no prometer demasiado. Ayudará, lo acelerará, pero todavía no sustituye a los experimentos reales, ni a la validación y los ensayos clínicos reales.
Descubre más desde USA TODAY NEWS INDEPENDENT PRESS US
Suscríbete y recibe las últimas entradas en tu correo electrónico.
Spanish 