Las CRO, la inteligencia artificial y las fases del desarrollo de fármacos

20 de diciembre, 2022

La tecnología y el consumismo han sido importantes motores que han estado influyendo a la sociedad en los últimos años. Esto significa que las CRO que puedan ofrecer productos y servicios de vanguardia a los patrocinadores de ensayos clínicos, tendrán una ventaja competitiva. Las empresas podrán mantener su ventaja competitiva innovando y ofreciendo los mejores productos y servicios posibles.

Durante mucho tiempo, las CRO se han encargado de seguir los protocolos especificados por los patrocinadores de los ensayos clínicos, sin embargo, este enfoque no es suficiente para garantizar un éxito sostenible en el futuro. La inteligencia artificial desempeñará un papel central a lo largo de todo el ciclo de vida del desarrollo de fármacos. Por ello a fin de mantener un progreso ininterrumpido, las CRO deben adoptar un enfoque más proactivo que tenga en cuenta las necesidades únicas de los patrocinadores de ensayos clínicos. Al mismo tiempo, tendrán que introducir métodos y estrategias basados en la IA. Al hacerlo, las CRO podrán establecer ensayos, a la vez, exitosos y beneficiosos para los pacientes en cuestión.

¿Cómo podemos implicar a la IA?

Sabemos que el descubrimiento convencional de fármacos lleva entre 10 y 15 años y cuesta miles de millones de dólares. A pesar de los costes que conlleva cualquier fracaso, que suelen representar el 75% de los costes totales de I+D, estos contratiempos contribuyen, no obstante, a nuestra comprensión del proceso de la enfermedad. Este conocimiento tiene un valor incalculable en la lucha contra las enfermedades. Aprovechar estos datos y convertirlos en información práctica es lo que la IA aportará a las CROs y, por tanto, al promotor del ensayo clínico. O como lo resumió Deep Pharma (Artificial Intelligence for Drug Discovery Landscape Overview Q1 2022).

La solución a este problema pasa por 3 estrategias clave:

1. Evolución de los modelos de negocio hacia una mayor colaboración y una temprana diversificación de los “pipeline”.
2. Implantación de la IA como un cambio universal hacia el descubrimiento de fármacos centrados en los datos
3. Descubrimiento de nuevas modalidades terapéuticas (biológicos, terapias, etc.)

La aplicación de la IA en el proceso de desarrollo de fármacos

Veamos con más detalle la segunda estrategia: la implantación de la IA en el proceso de desarrollo de fármacos.

El proceso de desarrollo de fármacos se basa en la comprensión de enormes cantidades de datos. Los científicos de datos confían en esta información para impulsar el progreso científico, pero los “big data” presentan retos especiales. Los investigadores a menudo carecen de acceso a la información más allá de artículos profesionales, patentes, datos de pacientes y otros datos no estructurados que hacen referencia a su campo, de ahí que a veces se pierdan hallazgos importantes que podrían apoyar o contradecir su trabajo.

La IA puede explorar eficazmente grandes cantidades de datos para cotejarlos y compararlos constantemente, por otro lado los investigadores pueden utilizar la IA para ayudar a identificar metas a la hora de descubrir fármacos, diseñar nuevos medicamentos y reutilizar fármacos antiguos.

Hemos observado muchas mejoras en los últimos 5 años en relación con la IA, en particular su aplicación durante el desarrollo de fármacos. Los próximos dos años probablemente determinen el futuro de las CRO y los patrocinadores de ensayos, en función de cómo implementen la IA en la cadena de valor.

Etapas del desarrollo de un medicamento: I+D

Existen 8 fases que un medicamento debe superar para comercializarse con éxito (Koshechkin, K.A.; Lebedev, G.S.; Fartushnyi, E.N.; Orlov, Y.L). Vamos a centrarnos en la fase inicial de investigación y desarrollo.

El objetivo de la I+D es el desarrollo de nuevas moléculas y la identificación de nuevas metas biológicas. El ciclo de vida de un producto farmacéutico comienza con una rigurosa labor de investigación y desarrollo. La primera etapa consiste en buscar la composición de un medicamento, en la mayoría de los casos moléculas, y determinar su actividad biológica a partir de las propiedades de sus componentes. Incluye también la identificación de posibles metas farmacológicas; se trata de estructuras moleculares cuya actividad está asociada a una enfermedad. Todo ello conduce al análisis de datos de muestras de pacientes, la predicción de propiedades farmacológicas y la simplificación del diseño de proteínas. Otro foco de investigación son las nuevas tecnologías de producción futura.

La fase de descubrimiento suele ser una de las más costosas y largas a la hora de lanzar un nuevo medicamento al mercado pues puede llevar hasta 5 o 6 años. El resultado es que, aunque cueste más desarrollar nuevos fármacos, se comercializan menos. Por otro lado el enfoque tradicional del diseño de fármacos implica laboriosos procesos manuales en los que el investigador lleva a cabo una serie de experimentos. No obstante, la IA puede mejorar y agilizar este proceso y no sólo señalar el camino hacia nuevos fármacos, sino también reducir el coste y el tiempo de esta fase.

La aplicación de la IA a esta fase implica el cribado de compuestos farmacológicos y la determinación de metas biológicas adecuadas. Las fuentes de este trabajo son artículos científicos estructurados y, en la mayoría de los casos, no estructurados, y repositorios de datos sobre genes, fármacos, enfermedades y otras entidades biológicas y químicas. Está en constante crecimiento, y es demasiado grande para que los humanos lo puedan procesar sin la ayuda adecuada. La búsqueda de nuevos fármacos basada en el aprendizaje automático conduce a una disminución de las combinaciones de fármacos que difieren significativamente de los métodos existentes, y a una disminución de la diversidad de sustancias candidatas.

Herramientas de IA y ML

Alrededor del 50% de los casos de uso de la IA en el desarrollo de fármacos se refieren al descubrimiento de nuevas moléculas o a la identificación de metas. El Procesamiento del Lenguaje Natural (NLP) puede mejorar drásticamente el análisis de una amplia gama de contenidos y ofrecer apoyo en la toma de decisiones con la ayuda de prácticas inteligentes de recuperación de información. El objetivo es descubrir relaciones ocultas en grandes conjuntos de datos, en esencia es similar a deconstruir estos conjuntos de datos y revelar nuevas estructuras y relaciones. Estas tareas pueden llevarse a cabo con un conjunto diverso de herramientas de IA y ML.

1.Redes neuronales convolucionales (CNN):

Las CNN son muy adecuadas para analizar e interpretar imágenes médicas. Pueden utilizarse para identificar patrones y características en las imágenes, lo que ayuda a la hora de informar sobre el proceso de desarrollo de fármacos.

 2. Redes neuronales recurrentes (RNN)

Las RNN analizan e interpretan datos secuenciales, como secuencias genéticas o historias clínicas electrónicas. Pueden utilizarse para identificar patrones y relaciones en estos datos, lo que ayuda a fundamentar el proceso de desarrollo de fármacos.

3. Redes Generativas Adversariales (GAN)

Los GAN pueden utilizarse para generar nuevos datos, como modelos virtuales en 3D de posibles moléculas de fármacos. Se pueden entrenar en grandes conjuntos de datos de moléculas de fármacos existentes y, a continuación, utilizarse para generar nuevas moléculas que serían probadas y optimizadas utilizando otros algoritmos de aprendizaje profundo.

4. Aprendizaje por refuerzo (RL)

La RL puede utilizarse para optimizar el diseño de nuevas moléculas farmacológicas. Estos algoritmos se entrenan con conjuntos de datos de fármacos conocidos y sus efectos, y luego se utilizan para hacer predicciones sobre los efectos potenciales de los nuevos fármacos candidatos. Esto ayudará a priorizar los candidatos que deben seguir probándose.

Otros enfoques incluirían las redes neuronales deconvolucionales (DNN), los transformadores pre-entrenados, los análisis basados en diccionarios, los modelos de aprendizaje estadístico supervisado como las redes de gran memoria de corto plazo (LSTM), las máquinas de vectores de soporte (SVM) y los bosques aleatorios (RF), por citar algunos.

Conclusión

Cuando se trata de proporcionar aplicaciones de IA para el desarrollo de fármacos, hay ciertas áreas que hay que destacar,  entre ellas:

• Experiencia en algoritmos y técnicas de aprendizaje profundo, incluida la capacidad de diseñar, implementar y evaluar modelos de aprendizaje profundo para una variedad de tareas y aplicaciones en el desarrollo de fármacos.

• Sólidos conocimientos de programación, especialmente en lenguajes y marcos de trabajo utilizados habitualmente para el aprendizaje profundo, como Python y TensorFlow.

• Familiaridad con las herramientas y plataformas utilizadas habitualmente para el almacenamiento, procesamiento y análisis de datos, como plataformas de computación en la nube, bases de datos y herramientas de gestión de datos.

• Conocimiento de las mejores prácticas y principios para desarrollar e implementar aplicaciones de IA, incluidos patrones de diseño, técnicas de prueba y validación, y consideraciones de seguridad y privacidad.

• Experiencia trabajando con grandes y complejos conjuntos de datos, como secuencias genéticas, imágenes médicas e historias clínicas electrónicas, y capacidad para limpiar, preprocesar y analizar estos conjuntos de datos utilizando algoritmos de aprendizaje profundo.

• Familiaridad con herramientas de visualización y elaboración de informes, como cuadros de mando y bibliotecas de visualización de datos, para presentar los resultados y las perspectivas de la aplicación de IA de forma clara y eficaz.

Echa un vistazo a las soluciones de LifeScience que podemos ofrecerte para mejorar la toma de decisiones.