Cómo la inteligencia artificial puede descubrir curas para enfermedades actuales y futuras

Los optimistas biotecnólogos creemos que, con herramientas adecuadas, podremos alcanzar el ambicioso objetivo de curar todas las enfermedades, parar el envejecimiento y, en definitiva, mejorar nuestra calidad de vida a niveles impensables hasta ahora. Pero una cosa es ser optimista y otra es ser un iluso. Según la plataforma Open Targets, que compila información exhaustiva derivada de bases de datos preclínicas, artículos científicos y estudios clínicos, existen 23 mil enfermedades, con nuevas añadiéndose cada año; unas 15 mil dianas terapéuticas potenciales, miles de las cuales tienen función desconocida en el contexto de cientos de enfermedades; y 12 mil moléculas farmacológicas descritas por su interacción con dianas, de las que solo 600 han alcanzado el mercado. Un ejercicio matemático nos permite llegar a una conclusión: hay millones de hipótesis terapéuticas por testar. Es decir, en un contexto en el que un gran número de enfermedades, raras y no tan raras, aún no tienen cura disponible, hay millones de combinaciones potenciales entre dianas terapéuticas y moléculas que aún no se han explorado. Ahora bien, descubrir un nuevo fármaco no es mezclar dos reactivos en un líquido y comprobar si cambia de color. Es un proceso arduo, que requiere cumplir con criterios esenciales: 

1. Identificar dianas terapéuticas cuya modulación farmacológica detenga el avance de la enfermedad o permita su reversión
2. Diseñar y desarrollar moléculas potentes y selectivas contra esas dianas, para no generar efectos tóxicos debido a su impacto en otras dianas
3. Conseguir que estas moléculas accedan al tejido de interés, y tengan un perfil metabólico adecuado, para ejercer su mecanismo de acción de manera correcta

Con las tecnologías actuales, cumplir estos criterios supone un enorme trabajo, que implica entender muy bien los procesos biológicos alterados en una enfermedad; identificar y validar de manera experimental potenciales dianas terapéuticas contra la enfermedad en estudio; cribar miles de compuestos – mediante ensayos in silico, in vitro e in vivo – que modulen la actividad de esas dianas; y seleccionar los mejores candidatos farmacológicos, en base a su perfil toxicólogo, metabólico y, por supuesto, su eficacia preclínica (con modelos animales) y clínica (con humanos). Este exhaustivo proceso, al que nos dedicamos miles de compañías biotecnológicas y empresas farmacéuticas, tiene una tasa de éxito del 4%, desde el comienzo de un proyecto en fase preclínica a su llegada a los pacientes, tarda 12 años y cuesta 1000 millones de €. Como resultado a estas métricas, durante 2021 la FDA aprobó la entrada al mercado de (redoble de tambores) 50 nuevos fármacos. Con este ritmo será imposible alcanzar el ambicioso objetivo descrito arriba en un plazo que nuestra generación y la de nuestros hijos pueda disfrutar. 

Ahora bien, ¿hay algún atajo que permita mejorar las tasas de éxito, acelerar el proceso y reducir los ingentes costes que implica el desarrollo de un nuevo fármaco? Quizás la solución está en la inteligencia artificial (IA). Hasta hace pocos años, solo algunas compañías pioneras usaban herramientas basadas en IA aplicadas al descubrimiento de fármacos. Aunque no puede afirmarse que el uso de estas herramientas se ha democratizado, la tendencia de crecimiento de nuevas empresas – 500 empresas y 100 corporaciones declaran usar IA en sus procesos de descubrimiento de fármacos, según el último estudio de Deep-pharma.tech – muestra que el uso de estas herramientas va camino de ser esencial. De hecho, según el informe de ResearchAndMarkets.com, se estima que el mercado de IA en el descubrimiento de fármacos alcance los 4000 millones de $ para 2027, a una tasa de crecimiento anual compuesta (TCAC) del 45,7% desde 2022.

Sus usos se extienden, aunque no exclusivamente, a la identificación de nuevas dianas terapéuticas y de fármacos que modulen esas dianas, a optimizar el diseño y síntesis de estos fármacos y a predecir su toxicidad o perfil ADME. En los últimos tres años han entrado en fases clínicas las primeras moléculas identificadas mediante la aplicación de IA en alguna parte del proceso de descubrimiento. Algunos ejemplos son las moléculas desarrolladas por Recursion para neurofibromatosis o por BenevolentAI para dermatitis atópica. Pero los avances en este campo se han hecho evidentes este año, con la entrada en fases clínicas del primer fármaco descubierto por completo mediante IA: desde la identificación de la diana hasta el diseño del fármaco – eficaz, seguro y con buen perfil metabólico – que la modula. Lo relevante de este fármaco, desarrollado por Insilico Medicine para tratar procesos fibróticos, es que su desarrollo preclínico duró solo 30 meses (incluyendo una Fase 0 clínica) y costó 2,6M de $, frente a los 5 años de media y 5 millones de $ (como mínimo) que implica un desarrollo preclínico tradicional. Es decir, se redujo a la mitad (o menos) el tiempo y coste de un desarrollo preclínico.

Aunque en estadios de desarrollo menos avanzados, ZeClinics también está desarrollando una plataforma de descubrimiento de dianas terapéuticas y fármacos – ZeBYTE – que integra herramientas de IA en muchos de nuestros procesos experimentales basados en el uso del pez cebra. De esta manera, usamos herramientas de deep learning para automatizar el análisis de nuestras muestras experimentales y extraer fenotipos relevantes; usamos machine learning para construir clasificadores basados en datos fenotípicos extraídos de nuestros modelos de enfermedad en pez cebra o para predecir la toxicidad de fármacos; y usamos deep learning y machine learning para interrogar las matrices de datos generadas, que combinan datos fenotípicos y ómicos, para identificar nuevas dianas terapéuticas y entender el potencial mecanismo de acción de nuevas moléculas. Estimamos que esta plataforma nos permitirá identificar, en menos de 1 año, nuevas dianas para tratar tres enfermedades distintas. Y esto es solo el principio.

Al igual que ZeClinics, hay cientos de empresas en el mundo que aplican IA en sus procesos de descubrimiento de dianas y fármacos. Esto implica que el número de fármacos con sello IA, que accedan a fases clínicas, se multiplicará en los próximos años. Sin duda, el uso de IA ya acorta plazos y reduce costes durante la fase preclínica. La pregunta relevante es si estos fármacos también mostrarán mejores tasas de éxito en fases clínicas. Si serán más eficaces, selectivos y seguros que los que se desarrollaban mediante tecnologías tradicionales. Aún es pronto para predecir si esto ocurrirá. Pero, por el bien de todos, espero que la IA sea el atajo que buscábamos para curar todas las enfermedades e, incluso, parar el envejecimiento. Tal como está el mundo, no estaría mal que alguna vez los optimistas tengamos razón.

Javier Terriente, co-fundador y director de desarrollo de fármacos en ZeClinics.