La industria farmacéutica vive un momento de inflexión. El modelo tradicional de investigación y desarrollo (I+D), que durante décadas ha sostenido de manera estable el progreso médico, lleva algunos años demostrando ciertas debilidades. El desarrollo de nuevos medicamentos es una tarea que puede llevar años, además de costes millonarios. Sin embargo, lo más desalentador casi siempre es la tasa de fracaso, y es que más del 90% de las vacunas o medicamentos que llegan a las etapas de ensayos clínicos nunca alcanzan a los pacientes.
Como resultado, tenemos un sistema que combina plazos de tiempo desmesurados, gastos enormes y un alto nivel de riesgo que amenaza con frenar la innovación. Es en esta situación donde la Inteligencia Artificial aparece como un cambio radical en la forma de concebir, probar y diseñar medicamentos.
El poder de la IA generativa
Durante años, la búsqueda de nuevos compuestos se ha basado en pruebas físicas masivas donde se empleaban robots de laboratorio para analizar moléculas y comprobar su interacción con un objetivo biológico. No es difícil imaginar que este proceso resulta demasiado laborioso, caro y, ciertamente, limitado en alcance. Hoy en día, el cribado virtual de alto rendimiento permite sustituir la metodología anterior por completo. Con él, los algoritmos pueden simular cómo interactúan miles de millones de moléculas digitales contra un objetivo en cuestión de horas.
Los modelos de Machine Learning, alimentados con datos clínicos, predicen cuáles de estas moléculas tienen más posibilidades de éxito. Ahora, gran parte del proceso del desarrollo de medicamentos ocurre de forma virtual y con un alcance mucho mayor. Sin embargo, el verdadero salto se da con la IA generativa. Esta tecnología, más allá de buscar la mejor opción dentro de un conjunto ya existente, se emplea para crear nuevas moléculas diseñadas desde cero, siempre teniendo en cuenta la optimización de factores como la afinidad, solubilidad, baja toxicidad, entre otros.
Además, la Inteligencia Artificial permite predecir de forma temprana parámetros críticos como la absorción, distribución, metabolismo, excreción y toxicidad (conocidos como ADMET). Estas variables resultan críticas, ya que son las que históricamente suelen arruinar un fármaco en etapas clínicas avanzadas, cuando ya se han invertido grandes cantidades de dinero. Identificarlas en etapas más tempranas permite ahorrar tiempo, dinero y frustraciones.
Los resultados de aplicar Inteligencia Artificial en la investigación
El impacto práctico de esta revolución es evidente, pues el trabajo que antes podía llevar años para identificar un candidato prometedor ahora se reduce a meses. La empresa Insilico Medicine, por ejemplo, consiguió pasar de la identificación de un objetivo a un candidato preclínico en menos de 18 meses, un logro que ya ha pasado a ensayos clínicos.
La diferencia fundamental está en la forma de trabajar; ya no se requieren procesos secuenciales que dependen de la experimentación física, en su lugar se emplean procesos virtuales y paralelos. Los modelos de Inteligencia Artificial son capaces de analizar miles de candidatos de manera simultánea, filtrando los más útiles y priorizando los mejores para su avance a las siguientes etapas del desarrollo.
La reducción de tiempos implica un menor número de pruebas de laboratorio, menos personal dedicado a tareas repetitivas y, sobre todo, menos fracasos tardíos que supongan pérdidas millonarias a las empresas farmacéuticas. Hay estudios que estiman que la IA generativa puede ayudar a recortar entre 40 y 400 millones de euros el coste de cada programa de descubrimiento de medicamentos.
Regulación, ética y supervisión humana
El entusiasmo por las nuevas tecnologías y todo lo que pueden proporcionarnos no debe ocultar los desafíos. Uno de los principales problemas es la necesidad de adaptar las regulaciones a un entorno en el que las simulaciones realizadas por ordenador se conviertan en parte fundamental del proceso.
Tampoco podemos ignorar las cuestiones éticas. La privacidad de los datos de los pacientes, la transparencia de los modelos de Inteligencia Artificial y el riesgo de posibles sesgos algorítmicos son aspectos que no se deben pasar por alto. Cualquier error en estos aspectos podría aumentar las desigualdades de los nuevos medicamentos, causando más problemas que beneficios.
El futuro apunta a un modelo de “inteligencia aumentada”, donde los modelos de Inteligencia Artificial permitan acelerar y afinar el trabajo, siempre bajo la supervisión crítica de expertos humanos. No hay que olvidar que, en entornos médicos, la capacidad de juicio, el contexto clínico y la interpretación de los profesionales siguen siendo insustituibles.
El impacto a largo plazo de la tecnología
El descubrimiento de fármacos nunca ha sido un proceso sencillo. La combinación de ciencia, dinero y paciencia era, hasta ahora, la norma. La posibilidad de pasar de más de diez años de desarrollo a apenas unos meses tampoco significa que los medicamentos lleguen de forma inmediata a las farmacias. Los ensayos clínicos, las aprobaciones regulatorias y los procesos de fabricación seguirán requiriendo tiempo. No obstante, el cuello de botella inicial, donde tantos de los proyectos acaban fracasando, podrá suplirse de forma eficaz con ayuda de la tecnología.
El verdadero impacto se verá en los próximos años, donde aparecerán más compuestos prometedores, habrá una diversidad mayor en las terapias y, sobre todo, habrá más posibilidades de que los pacientes accedan antes a tratamientos innovadores.
