El viaje desde el descubrimiento de un compuesto terapéutico potencial hasta su aprobación por parte de los reguladores como nuevo fármaco puede llevar más de 10 años y costar más de mil millones de dólares.
Un equipo de investigación del Centro de Graduados de CUNY ha desarrollado un modelo de inteligencia artificial que puede mejorar significativamente la precisión y reducir el tiempo y el costo del proceso de desarrollo de fármacos.
Como se detalla en un artículo reciente publicado en Nature Machine Intelligence, un nuevo modelo llamado CODE-AE puede seleccionar fármacos candidatos y predecir con precisión su eficacia en humanos. En los ensayos, el nuevo modelo pudo identificar a más de 9.000 pacientes con medicina personalizada que teóricamente podría ser efectiva para su enfermedad. Los investigadores esperan que el nuevo modelo acelere significativamente el desarrollo y descubrimiento de nuevos fármacos.
Predecir de forma precisa y fiable la respuesta de un paciente al uso de un nuevo compuesto químico es fundamental para identificar un tratamiento seguro y eficaz y seleccionar un fármaco para un paciente específico. Sin embargo, no es posible probar previamente la eficacia de estos medicamentos directamente en humanos. Los modelos celulares o de tejido a menudo se utilizan como sustitutos del cuerpo humano para evaluar los efectos terapéuticos de una molécula. Desafortunadamente, el efecto de un fármaco en un modelo de enfermedad a menudo no se correlaciona con la eficacia y toxicidad del fármaco en los pacientes. Esta brecha de conocimiento es una de las principales razones del alto costo y la baja productividad del desarrollo de nuevos fármacos.
Nuestro nuevo modelo de aprendizaje automático puede resolver el problema de transferir datos de modelos de enfermedades a humanos. CODE-AE utiliza diseño biológico y avances recientes inspirados en el aprendizaje automático masivo. Por ejemplo, uno de sus componentes utiliza la misma técnica para crear profundas imágenes falsas.
Lei Xie, profesor de informática, biología y bioquímica en el Centro de Graduados de CUNY y Hunter College.
Como señaló You Wu, Ph.D., del Centro de Graduados de CUNY, el nuevo modelo puede ofrecer una solución al problema de tener suficientes datos de pacientes para un modelo de aprendizaje automático generalizado. “Aunque se han desarrollado varios métodos para usar la detección de líneas celulares para predecir la respuesta clínica, sus resultados no son confiables debido a las inconsistencias y diferencias en los datos”, señaló Yu Wu. “CODE-AE puede resaltar las señales biológicas internas enmascaradas por el ruido y otros factores, eliminando efectivamente el problema de las inconsistencias de datos”.
En consecuencia, CODE-AE mejora la precisión y la fiabilidad de las predicciones de última generación sobre la respuesta a fármacos específicas del paciente basadas únicamente en las interacciones de las líneas celulares.
La próxima tarea del equipo de investigación es usar CODE-AE para desarrollar un método que pueda usarse para predecir de manera confiable la concentración y los efectos metabólicos de nuevos medicamentos en el cuerpo humano. Los científicos también descubrieron que el modelo de IA podría usarse mejor para predecir con precisión los efectos secundarios de los medicamentos cuando se usa en humanos.
