Inteligencia artificial para descubrir fármacos
La industria farmacéutica atraviesa una
mala racha en el desarrollo de medicamentos. ¿Hasta qué punto puede
ayudar la inteligencia artificial?
En síntesis
A las compañías farmacéuticas cada vez les cuesta más obtener fármacos eficaces y rentabilizar sus inversiones en investigación. La solución podría hallarse en la inteligencia artificial.
Las herramientas de aprendizaje automático y aprendizaje profundo pueden identificar proteínas «diana» implicadas en un trastorno y fármacos que las modifiquen sin producir efectos indeseados.
Muchas farmacéuticas ya han adoptado este enfoque. Aunque los primeros resultados son prometedores, aún es pronto para saber si se traducirán en más y mejores medicamentos.
También te puede interesar
Hay muchas razones que pueden llevar a descartar un medicamento prometedor durante su desarrollo farmacéutico, y el sistema del citocromo P450 es una de ellas. El CYP450, como suele denominarse, es un grupo de enzimas producidas sobre todo en el hígado y que intervienen en la descomposición de sustancias químicas, evitando que alcancen concentraciones peligrosas en el torrente sanguíneo. Pero resulta que muchos fármacos experimentales inhiben la producción del CYP450, un molesto efecto secundario que puede hacerlos tóxicos para el ser humano.
Durante mucho tiempo, para predecir si un medicamento experimental inhibirá el CYP450 en los pacientes, las compañías farmacéuticas han recurrido a métodos estándar tales como realizar análisis químicos en tubos de ensayo, observar las interacciones del CYP450 con fármacos conocidos de propiedades químicas similares y llevar a cabo pruebas en ratones. Sin embargo, estas predicciones resultan erróneas un tercio de las veces. En tales casos, puede que la toxicidad relacionada con el CYP450 solo salga a la luz durante los ensayos clínicos en seres humanos, lo que se traduce en millones de dólares y años de esfuerzo desperdiciados. Esta costosa inexactitud a veces llega a parecer «nuestra cruz», lamenta Saurabh Saha, vicepresidente de investigación y desarrollo y medicina traslacional de Bristol-Myers Squibb.
Ese tipo de ineficiencias contribuyen a un problema más grave: el desarrollo de medicamentos y la productividad de la billonaria industria farmacéutica mundial llevan al menos dos décadas en declive. Las compañías gastan cada vez más (unos 80.000 millones de dólares al año entre las diez firmas más grandes) y obtienen cada vez menos fármacos eficaces. Hace diez años, cada euro invertido en investigación y desarrollo generaba un beneficio de 10 céntimos, mientras que hoy en día no llega a 2 céntimos. En parte, eso se debe a que los fármacos más fáciles de encontrar o que tratan las enfermedades comunes de manera segura y eficaz ya se han descubierto; resta buscar medicamentos para problemas con soluciones complejas y esquivas, o dirigidos a trastornos que afectan solo a una pequeña parte de la población, los cuales serían mucho menos rentables.
Debido a la creciente dificultad para encontrar nuevos fármacos, el coste medio de lanzar uno al mercado casi se duplicó entre 2003 y 2013, hasta alcanzar los 2600 millones de dólares, según el Centro Tufts para el Estudio del Desarrollo de Fármacos. Estas mismas dificultades han provocado que los medicamentos tarden hasta 12 años en pasar del laboratorio al mercado y que el 90 por ciento de ellos se descarten en alguna de las fases de ensayos clínicos.
https://www.investigacionyciencia.es/revistas/investigacion-y-ciencia/una-nueva-visin-de-la-va-lctea-805/inteligencia-artificial-para-descubrir-frmacos-18838?fbclid=IwAR3Hbt50KLB6A1gcKQgzXjvTvD1lTKZkHEdciOxgApTVGzEDfa4M6tYj1tM
La explosión del aprendizaje profundo en biología
Las redes neuronales están permitiendo analizar imágenes médicas para obtener nueva información sobre células, genes y nuestro estado de salud.
Se dice que los ojos son el espejo del alma, pero para Google se perfilan como indicador ideal del estado de salud de una persona. El gigante tecnológico ha comenzado a usar la técnica de inteligencia artificial conocida como aprendizaje profundo para predecir la presión arterial, la edad y la condición de fumador de un sujeto mediante el análisis de una fotografía de su retina. Y un estudio preliminar sugiere que, a partir de elementos como el estudio de los vasos sanguíneos del ojo, es posible predecir si alguien se halla en riesgo inminente de infarto.
El trabajo se basa en el uso de una red neuronal convolucional, una técnica de aprendizaje profundo que está transformando la forma en que los biólogos analizan sus imágenes. Este método se está empleando para identificar mutaciones en el genoma y predecir cambios en células individuales. La técnica de Google, descrita en un artículo subido el pasado mes de agosto al repositorio de prepublicaciones arXiv, forma parte de una ola de nuevas aplicaciones del aprendizaje profundo que están facilitando el procesamiento de imágenes y que incluso podrían ayudar a identificar fenómenos biológicos que, de otro modo, serían pasados por alto.
«Hasta hace poco no era realista aplicar el aprendizaje automático a muchas áreas de la biología», indica Philip Nelson, director de ingeniería de Google Research en Mountain View. «Hoy sí. Pero lo más emocionante es que ahora las máquinas pueden descubrir cosas que los humanos no han visto antes.»
Las redes neuronales convolucionales permiten que una computadora pueda procesar una imagen de manera eficiente y holística, sin dividirla en partes. El enfoque despegó en el sector tecnológico hacia 2012, espoleado por los avances en potencia de cómputo y capacidad de almacenamiento de los ordenadores. Facebook, por ejemplo, usa esta técnica para identificar rostros en fotografías. Pero los científicos se han esforzado por aplicarla a la biología, en parte debido a las grandes diferencias culturales entre ambos campos: «Junte en una sala a un grupo de biólogos inteligentes y a otro de informáticos inteligentes y verá que hablan idiomas distintos y tienen diferentes mentalidades», asegura Daphne Koller, jefa de computación de Calico, una compañía de biotecnología de San Francisco respaldada por Alphabet, la matriz de Google.
Parte del trabajo ha consistido en identificar qué tipos de estudios pueden llevarse a cabo con redes neuronales que, antes de comenzar a hacer predicciones, han de ser entrenadas con grandes conjuntos de imágenes. Cuando Google se dispuso a usar el aprendizaje profundo para identificar mutaciones en genomas, sus investigadores tuvieron primero que convertir cadenas de letras de ADN en imágenes que un ordenador pudiera reconocer. Luego, entrenaron sus redes con fragmentos de ADN que se habían alineado con un genoma de referencia y cuyas mutaciones ya se conocían. El resultado fue DeepVariant, una herramienta lanzada en diciembre capaz de encontrar pequeñas variaciones en secuencias de ADN. En las pruebas, la máquina lo hizo al menos igual de bien que las herramientas tradicionales.
Por su parte, los biólogos del Instituto Allen para las Ciencias Celulares de Seattle están usando redes neuronales convolucionales para convertir imágenes grises y bidimensionales de células en otras en 3D y en las que los orgánulos aparecen coloreados. La técnica elimina la necesidad de teñir las células, un proceso que requiere tiempo, recursos de laboratorio y que puede dañar la célula. El mes pasado, el grupo publicó los detalles de una técnica avanzada para predecir la forma y la ubicación de incluso más partes de una célula usando solo unos pocos elementos, como su contorno.
«Lo que estamos viendo es un cambio sin precedentes en lo bien que el aprendizaje profundo puede llevar a cabo tareas biológicas relacionadas con el análisis de imágenes», señala Anne Carpenter, directora de la plataforma de imágenes del Instituto Broad, un centro de boimedicina dependiente de Harvard y del Instituto de Tecnología de Massachusetts . Su equipo comenzó a procesar imágenes celulares mediante redes neuronales convolucionales en 2015. Ahora, las redes procesan cerca del 15 por ciento de los datos de imágenes del centro, indica la experta, quien prevé que, dentro de pocos años, la técnica se habrá convertido en el principal método de procesamiento del centro.
Para otros, lo más emocionante es que el método permita revelar fenómenos biológicos sutiles y que lleven a los investigadores a hacerse preguntas que no habían considerado con anterioridad. «En ciencia, la expresión más interesante no es "¡Eureka!", sino "Eso es extraño, ¿qué está pasando?"», apunta Nelson.
Tales descubrimientos fortuitos podrían asistir en la investigación de la enfermedad, dice Rick Horwitz, director ejecutivo del Instituto Allen. Si el aprendizaje profundo puede revelar indicios sutiles de cáncer en una célula individual, explica, tal vez ayude a los científicos a entender mejor cómo evoluciona un tumor. A su vez, ello podría fomentar nuevas hipótesis sobre la manera en que se propaga el trastorno.
Tras los éxitos en análisis de imágenes, otros expertos en aplicaciones biológicas del aprendizaje automático han puesto la vista en nuevos objetivos. «Las imágenes son importantes, pero también lo son los datos químicos y moleculares", sostiene Alex Wolf, biólogo computacional del Centro Alemán de Investigación para la Salud Ambiental. Wolf aspira a modificar las redes neuronales para que aprendan a analizar la expresión génica. «Creo que en los próximos años veremos grandes avances que permitirán a los biólogos aprovechar las redes neuronales de forma mucho más amplia.»
Amy Maxmen/Nature News
Artículo traducido y adaptado por Investigación y Ciencia con permiso de Nature Research Group.
Referencias: «Predicting cardiovascular risk factors from retinal fundus photographs using deep learning», Ryan Poplin et al., arXiv:1708.09843, 31 de agosto de 2017; «Building a 3D integrated cell», Gregory R. Johnson, Rory M. Donovan-Maiye, Mary M. Maleckar, bioRxiv doi: 10.1101/238378, 21 de diciembre de 2017.
También te puede interesar
No hay comentarios:
Publicar un comentario