El desarrollo del machine learning y la inteligencia artificial y su aplicación a cada vez más facetas plantea cada vez más cuestiones interesantes sobre el funcionamiento de industrias conocidas.
El caso de las farmacéuticas, que trabajan en el descubrimiento de una molécula durante muchísimo tiempo para, tras las fases de ensayos clínicos y aprobación regulatoria, disponer de unos años de comercialización antes de que la molécula pase a estar disponible como medicamento genérico, es bien conocido. Generalmente, las compañías farmacéuticas prueban muchas moléculas para terminar desarrollando tan solo algunas, las que demuestran tener aplicaciones más claras, ventajas en términos del mercado al que se dirigen, etc., lo que lleva a que la composición de ese pipeline sea enormemente estratégica de cara a mantener un portfolio de moléculas competitivo en fase de comercialización.
La aplicación de algoritmos de machine learning en Medicina no es nuevo, pero a medida que caen las barreras de entrada a su diseño, entrenamiento y puesta en producción vamos viendo cada vez más ejemplos de su uso. Emplear un algoritmo, por ejemplo, para incluir un número mayor de variables en el diagnóstico de un ataque al corazón ha conseguido incrementar la fiabilidad de ese diagnóstico de manera muy notable, mejorando el tiempo de diagnóstico y, por tanto, la velocidad con la que puede ser tratado.
Plantear el uso de un algoritmo de machine learning para el diseño de moléculas para el tratamiento de patologías complejas en compañías farmacéuticas puede dar lugar a un fenómeno poco habitual: la disponibilidad de muchas más moléculas en fases iniciales del pipeline, ofreciendo así más grados de libertad a la gestión.
Alimentar a un algoritmo con las características clave de sustancias químicas con propiedades senolíticas, o anti-envejecimiento, provenientes de fuentes como artículos académicos y patentes comerciales, integrarlo con compuestos de dos bibliotecas químicas existentes que contienen una amplia gama de compuestos aprobados por la FDA o en etapa clínica, e incluir compuestos con propiedades senolíticas y no senolíticas para no sesgar el algoritmo de aprendizaje automático dio como resultado la identificación de veintiuna moléculas potenciales entre un conjunto de cuatro mil sustancias químicas, como describe un estudio publicado en la revista Nature.
Al evaluar esas veintiuna moléculas, los investigadores descubrieron tres sustancias químicas naturales (gingetina, periplocina y oleandrina, productos naturales que se encuentran en plantas medicinales tradicionales) que eliminaban las células senescentes sin dañar las células sanas. El proceso se describió como muchísimo más eficiente que el utilizado de manera tradicional en la búsqueda de moléculas para su uso farmacéutico, y permitió reducir considerablemente el número de moléculas sometidas a evaluación, lo que hace posible imaginar un futuro en el que las compañías farmacéuticas apliquen esa mejora de eficiencia y puedan trabajar así con moléculas mejor seleccionadas.
Combinando este tipo de algoritmos con otros, como el desarrollado por Deep Mind que permite predecir la configuración de las moléculas de proteínas, podemos estar hablando de toda una nueva etapa para la industria farmacéutica, hecha posible gracias al desarrollo de una tecnología como el machine learning y a su capacidad de trabajar con modelos con cada vez más parámetros. Francamente interesante… y relevante para todos.
This article is also available in English on my Medium page, «Algorithms and health sciences: a winning combination»
Bueno, qué más se puede añadir., Machine Learning y el algoritmo de Ponce de León. No sé como no lo vio venir Elizabeth Holmes.
El pasado ya está aquí.
Por cierto , de los 10 pacientes que se sometieron a edición genética mediante CRISPR-Cas9 para mejorar su perfil lipídico HDL, dos ya han muerto, uno a las 5 semanas, y el resto está desarrollando secuelas graves del tratamiento.
First trial of ‘base editing’ in humans lowers cholesterol — but raises safety concerns
Creo que ya es hora de meter más ciencia en la divulgación de la magia y menos pensamiento mágico en la ciencia.
–
Disclaimer
Vendo ADN centenario barato.
Me mosquea que los de la pasta (Bezos, Musk, intuyo que el de Omaha ya pasa del tema) anden más interesados en poder largarse a Marte, que en buscar estas soluciones para vivir mejor más años.
A mí me mosquea que Sam Altman esté obsesionado con el apocalipsis y tenga todo previsto por si llega.
www.revistavanityfair.es/articulos/sam-altman-el-hombre-que-tiene-en-sus-manos-el-futuro-de-la-humanidad-obsesionado-con-el-apocalipsis-discipulo-de-un-ciberbudista-y-con-nada-que-ganar-economicamente-con-openai
Las farmacéuticas dedican un orden de magnitud de dinero más a publicidad que a investigación, que es mayoritariamente pagada con fondos públicos.
Este avance solo servirá para ahorrar «costes» en investigación para dedicarlos a publicidad.
Curiosos, curioso. Vengo de comerme el coco con las pantallas de marras y me llego al algoritmo liberador.
Hay que temerle a la VW y a la IA, para luego inocularnos una molécula «inventada» por un algoritmo. Pagarán bien, por lo menos, porque beneficios farmacéuticos hay de sobra.
Les quitamos el móvil al preadolescente, para que no se corrompa (y aprenda «mejor») y le ponemos medicinas que a saber como acabarán actuando, cuando el sistema inmunitario del ser humano diga NO.
Como si no fuera más fácil (mucho más) educar a un preadolescente en el uso correcto de un móvil, que «educar» a un sistema inmunitario (que ya puede venir deficitario de serie) decida hacer lo que nos interesa.
Pero Viva la Pepa, que luego vendrá un Fdo VII para metérnosla por el culo y quedarse tan pancho.
La IA puede parecer muy prometedora para el desarrollo de nuevas aplicaciones tecnológicas en muchos sectores. Pero uno destaca especialmente: este es el farmacéutico.
La investigación de productos farmacéuticos es una senda muy larga y muy costosa. Un medicamento tardaba entre 10 y 15 años en desarrollarse en un laboratorio de investigación, lo que supone una inversión muy alta en material e inteligencia humana.
Hace años le oí decir a un CEO de una empresa farmacéutica que su laboratorio tenía una gran desventaja frente a la Boeing. De cada 10 aviones que diseñaba la Boeing, los 10 acababan levantando el vuelo. En cambio, en la industria farmacéutica, solo uno de cada 1o medicamentos en desarrollo llegaba al mercado. Los otros 9 se caían por el camino, unos en la fase de investigació, otros en la fase de investigación clínica en los sucesivos ensayos clínicos (I, II, III, IV).
De esta forma justificaba el alto coste de los nuevos medicamentos.
Hoy loe nuevos medicamentos que salen al mercado, salen con precios insoportables para los sistemas sanitarios. Esto tiene que cambiar, y la IA puede que ayude a que así sea, abaratando los costes de I+D. No se si ello perjudicará al mercado de trabajo de los técnicos de laboratorio que se vean sustituidos por máquinas, pero si así es, el coste de I+D bajará y tendrá influencia en el precio de los nuevos medicamentos desarrollados por esta vía.
Hoy los laboratorios invierten su dinero en patologías que son muy prevaleces, y que causan grandes costes a los sistemas sanitarios.
El reciente desarrollo de medicamentos frente a la obesidad es un ejemplo. En España, según datos recientes del Instituto Carlos III, el 55,6% de la población adulta, y un tercio de la población infantil está afectada de obesidad, obesidad que es la causa de un sinfín de problemas, entre otros:
Presión arterial alta (hipertensión), Colesterol LDL alto, colesterol HDL bajo o niveles altos de triglicéridos (dislipidemia), Diabetes tipo 2,
Enfermedad coronaria, derrame cerebral
Enfermedad de la vesícula, Osteoartritis (descomposición del cartílago y el hueso dentro de una articulación), Apnea del sueño y problemas respiratorios, Varios tipos de cáncer, Baja calidad de vida, deterioro de la salud mental, Dolor corporal y dificultad con el funcionamiento físico.
No es de extrañar la ingente cantidad de dinero que fue a parar a esta investigación, que ahora Novo Nordisk con su Wegoby y Lilly con su Zepbound están amortizando.
Algo parecido esta pasando con el desarrollo de nuevos fármacos para el Alzheimer, una enfermedad de alta prevalencia y alto coste de tratamiento.
En cambio, con el incremento de bacterias multiresistentes, no se está investigando en nuevos antibióticos. ¿Por que?
Porque el tratamiento de una infección no es para toda la vida, se acaba cuando la infección desaparece. Es un tratamiento para una enfermedad aguda, que no crónica, como la diabetes la obesidad o el Alzheimer.
Puede ser que la IA ayude a la obtención de nuevos antibióticos, que hacen mucha falta, de una forma mas económica. Si así fuera, el desarrollo de nuevos fármacos en este campo puede ser rentable para las empresas y si así fuera, habría mas y todos saldríamos beneficiados.
Bienvenida sea la llegada de la IA al sector farmacéutico. Puede que nos ayude a llegar a viejos.
Permíteme que dude de que las farmaceuticas vayan a bajar el precio de los medicamentos. Seguramente lo que sucederá si sucede lo que describes es simplemente que aumentará su margen de beneficios.
La IA ayudará a enriquecerse más a las empresas/estado.
Menos inversión requerirá más beneficio obtenido.
Aquellas enfermedades cuyo tratamiento no sea económicamente interesante seguirán estando huérfanas de investigación y curación.
Precisamente en Barcelona se fundó hace ocho años Pharmacelera, una compañía especializada en el diseño de fármacos asistido por ordenador. Utiliza algoritmos de mecánica cuántica y aprendizaje automático, junto con computación de alto rendimiento, para explorar nuevos espacios químicos y proponer candidatos moleculares con altas probabilidades de convertirse en medicamentos. Actualmente trabaja con compañías líderes de la industria farmacéutica.