No es sorprendente que la investigación y desarrollo (I+D) farmacéutica siga siendo uno de los centros más importantes para la innovación. Cada compañía farmacéutica invierte fuertemente en y confía en los equipos de I+D para crear nuevos terapéuticos que ayuden a que la compañía crezca y obtenga ganancias. Desde 2012 hasta 2022, el gasto en I+D de la industria ajustado por inflación aumentó un 44 por ciento, de alrededor de $170 mil millones a $247 mil millones. A pesar de esta inversión, el número de aprobaciones de medicamentos nuevos en Estados Unidos se mantuvo estable en un promedio de 43 por año. Los desafíos de productividad han llegado a la vanguardia a medida que las compañías farmacéuticas buscan aprovechar todos los recursos disponibles.
El papel cambiente de la IA
Como industria, ya no podemos tolerar problemas significativos de productividad. Hace diez años, la IA se prometió como una solución a la productividad de I+D, pero hasta ahora esa promesa ha fallado. Hemos aprendido las razones de este déficit, pero, lo que es más importante, hay una nueva frontera de IA que aborda estas razones y ofrece esperanza. La próxima frontera de la IA se llama ‘modelos de base’ y están al borde de impactar en la I+D. Los modelos de base de IA son similares a ‘ChatGPT para el descubrimiento de medicamentos’. En los últimos dos años, han surgido modelos de base pertinentes para la I+D farmacéutica y están en una trayectoria para transformar la industria farmacéutica.
Los primeros diez años de la IA en biotecnología giraron en torno a modelos de IA de aprendizaje profundo que fueron entrenados para resolver tareas específicas utilizando datos específicos de la tarea. Por ejemplo, un modelo que predice los efectos de la edición génica en el empalme, uno de los docenas de procesos biológicos que son cruciales para la función celular. Muchos laboratorios académicos y empresas, incluida la nuestra, demostraron que podían utilizar estos sistemas para hacer predicciones precisas para respaldar tareas específicas en el descubrimiento de medicamentos. Desafortunadamente, este enfoque generalmente ha fallado porque la genómica, la biología, la fisiología, la terapéutica y la química son complejas, multifacéticas e interrelacionadas, por lo que tener en cuenta con precisión solo una tarea mientras se dejan de lado muchas otras tareas resulta en modos de falla durante la I+D. Incluso si se construyen muchos modelos de IA diferentes para las diferentes tareas, no están entrenados para tener en cuenta la interrelación de las tareas y la complejidad de tener muchos modelos dificulta o imposibilita la escalabilidad.
Los modelos de base son un nuevo enfoque que cambia todo eso. Son modelos de IA de aprendizaje profundo extremadamente grandes, entrenados en conjuntos de datos masivos que abarcan un campo amplio y se pueden aplicar a una amplia gama de tareas. Logran sinergias entre estas tareas durante el entrenamiento y cuando se implementan en aplicaciones de I+D. Exhiben una ‘inteligencia emergente’, lo que significa que descubren y aplican relaciones y aprendizajes que no fueron específicamente incluidos en los datos de entrenamiento ni, de hecho, concebidos por los creadores de la IA. Es común que un modelo de base de IA sorprenda a sus creadores al hacer predicciones o revelar patrones fuera del alcance previsto de la aplicación. Un ejemplo de un modelo de base de IA fuera del descubrimiento de medicamentos es ChatGPT. Los modelos de base de IA funcionan porque están entrenados en conjuntos de datos muy grandes y amplios, con miles de millones o incluso billones de puntos de datos, lo que los hace versátiles.
Descifrando la biología del ARN para impulsar mejoras en la productividad de la I+D
A medida que la biología del ARN y las terapéuticas de ARN emergen en la corriente principal de la farmacéutica, los modelos de base de ARN ofrecen un enorme potencial para revolucionar la I+D.
Los modelos de base de ARN pueden ayudar en la I+D proporcionando predicciones sobre los efectos de las mutaciones de los pacientes, los cambios en las proteínas y las intervenciones terapéuticas en una amplia gama de procesos de biología del ARN específicos del tejido, incluidas la transcripción, el empalme, la poliadenilación, las interacciones proteína-ARN e interacciones microARN-ARN. Las intervenciones terapéuticas pueden incluir oligonucleótidos, edición de ADN, edición de ARN, terapias de ARNm y gen. El enfoque se puede aplicar a una amplia gama de enfermedades y áreas de tejido, que van desde enfermedades comunes, hasta trastornos mendelianos raros, hasta terapéuticas denominadas ‘N=1’ diseñadas para pacientes individuales.
Cabe destacar que la tecnología no es el único factor. Uno de los elementos más críticos para las mejoras en la productividad es inculcar una cultura de multilingüismo, especialmente cuando se trata de biología experimental e IA. El éxito futuro depende de romper los silos departamentales y reemplazarlos con la colaboración entre científicos computacionales y biólogos. Estos dos equipos diversos e interdependientes deben entenderse mutuamente para garantizar una comunicación abierta y efectiva. Los expertos en computación deben considerar cómo cada paso puede ayudar a encontrar más moléculas y objetivos, y los biólogos deben ser conscientes de la escala y la recopilación de datos.
El caso de negocio para los modelos de base
Con esta revolucionaria tecnología TechBio ahora accesible, las compañías farmacéuticas pueden aprovechar los modelos de base para acelerar la innovación. Pronto expirarán las patentes de muchos medicamentos de primer nivel, lo que ejercerá una presión adicional sobre la industria de TechBio. Por ejemplo, la patente de Novo Nordisk sobre el semaglutide, el ingrediente activo tanto en Wegovy como en Ozempic, expira en China en 2026.
Según McKinsey, con la inminente expiración de patentes de medicamentos blockbusters, un entorno de precios restringido y la perspectiva de reformas de precios (especialmente en, pero no limitado a, Estados Unidos), muchas compañías están priorizando la mejora de la productividad de I+D y presionando para obtener más de cada dólar invertido en I+D.
Afortunadamente, para todas las compañías farmacéuticas, los avances modernos en IA y biología demuestran el potencial para acelerar el descubrimiento de medicamentos, optimizar los ensayos clínicos y predecir posibles efectos adversos de los medicamentos. Los nuevos modelos de base de IA, como los diseñados para descifrar el ARN, están listos para mejorar la productividad de la I+D, cambiar los métodos de descubrimiento de medicamentos y garantizar un futuro mejor para la farmacéutica.
Foto: Christoph Burgstedt, Getty Images
Brendan Frey es un reconocido emprendedor, ingeniero y científico, que se desempeña como Director de Innovación y Fundador de Deep Genomics. Es cofundador del Instituto Vector de Inteligencia Artificial y ha realizado contribuciones significativas en aprendizaje profundo, medicina genómica y tecnología de la información. Brendan ha coescrito más de 200 artículos, muchos de los cuales aparecieron en prestigiosas revistas científicas como Nature, Science y Cell. Su trabajo pionero en el ‘algoritmo de sueño-despertar’ con Geoffrey Hinton contribuyó al establecimiento del aprendizaje profundo. La experiencia de Brendan en IA llevó a la fundación de Deep Genomics, donde desarrolló el primer sistema de IA para predecir mutaciones patogénicas y objetivos terapéuticos. También ocupa cargos en la Universidad de Toronto y es miembro de varias asociaciones científicas de renombre. Los roles de asesoramiento de Brendan en Microsoft Research y su amplio bagaje académico demuestran aún más sus contribuciones influyentes al campo de la IA y la investigación biomédica.
Esta publicación se realiza a través del programa MedCity Influencers. Cualquiera puede publicar su perspectiva sobre negocios e innovación en salud en MedCity News a través de MedCity Influencers. Haz clic aquí para saber cómo.