IA en el Desarrollo de Fármacos: Limitaciones y Aplicaciones Prácticas para Científicos
La inteligencia artificial acelera el descubrimiento de dianas y moléculas en el desarrollo de fármacos, pero no reemplaza a los expertos debido a los desafíos de calidad de datos e interpretabilidad. AlphaFold 2 predice estructuras proteicas, con 45 moléculas generadas por IA en ensayos clínicos, aunque los conjuntos de datos heterogéneos y la falta de descriptores universales requieren un profundo conocimiento en química y biología. En la investigación clínica, la IA asiste con modelos híbridos, pero los modelos de regresión simple siguen siendo preferibles para predicciones válidas.
Etapas del Desarrollo de Fármacos y el Papel de los Datos
El proceso de creación de fármacos incluye selección de dianas, descubrimiento de estructuras activas, pruebas in vitro e in vivo, fases clínicas y evaluación regulatoria. Los costos crecen exponencialmente, con la mayoría de los candidatos eliminados en etapas tempranas.
Desafíos clave:
- Identificar mecanismos patogénicos y sitios de unión
- Evaluar propiedades farmacológicas de las moléculas
- Interpretar datos de experimentos diversos
La IA aborda algunas tareas: AlphaFold 2 genera estructuras 3D de proteínas a partir de secuencias de aminoácidos, reduciendo costos para criomicroscopía electrónica y cristalografía de rayos X. El Premio Nobel 2024 a Hassabis y Jumper confirmó este avance.
Desafíos de la IA en el Descubrimiento de Moléculas
Las estructuras químicas no se introducen directamente en modelos de ML. Se utilizan descriptores: fisicoquímicos (logP, peso molecular), representaciones gráficas o huellas de Morgan.
| Tipo de Descriptor | Ventajas | Limitaciones |
|---------------|-------------|-------------|
| 1D/2D (SMILES, ECFP) | Cálculo simple | Ignora conformaciones 3D |
| Basado en grafos 3D | Considera geometría espacial | Alta complejidad computacional |
| Fisicoquímico | Interpretabilidad | Cobertura incompleta de propiedades |
La alta dimensionalidad (miles de características) requiere grandes conjuntos de datos no disponibles fuera de las grandes farmacéuticas. La bioactividad depende de condiciones: tipos celulares, densidad de receptores. Los datos heterogéneos conducen a artefactos sin preprocesamiento experto.
Existen éxitos: Para 2025, 45 candidatos de IA en ensayos clínicos. La FDA recibió >500 presentaciones de IA de 2016-2023, estableciendo 10 principios: enfoque multidisciplinario, evaluación de riesgos, documentación de datos.
IA en Modelos Clínicos: Interpretabilidad vs. Potencia
Para la evaluación de efectos secundarios, se utiliza regresión logística: los predictores incluyen dosis, edad, género; el resultado es la probabilidad de evento. El modelo es interpretable, los intervalos de confianza son calculables.
Las redes neuronales pierden esto: naturaleza de caja negra, sin explicaciones, poco confiables con muestras pequeñas de fases tempranas. Ejemplo: modelos que ignoran la biología producen predicciones absurdas, como se muestra en la Figura 3 original.
Los modelos basados en fisiología (PK/PD) usan ecuaciones diferenciales para procesos: división celular, inhibición enzimática. Proporcionan no solo predicciones sino también gráficos y estudios virtuales.
Requieren equipos multifuncionales: matemáticos + biólogos + clínicos verifican suposiciones y fisiopatología.
Enfoques Híbridos y Direcciones Futuras
El compromiso son modelos híbridos: ecuaciones diferenciales + redes neuronales como aproximadores de dependencias desconocidas. Actualmente proyectos piloto pero prometedores.
La IA ya asiste: genera código de análisis (Sonata Software). Los agentes de IA para construir modelos desde cero son un área de investigación activa.
Conclusiones clave:
- AlphaFold 2 revolucionó la predicción de estructuras pero no la validación de dianas
- 45 moléculas de IA en ensayos clínicos, pero el éxito depende de la interpretación experta de descriptores
- Modelos simples preferidos en entornos clínicos debido a la interpretabilidad
- Los híbridos combinan fisiología y ML para predicciones confiables
- Los reguladores requieren documentación y evaluación de riesgos para IA
La IA es una herramienta que mejora a los científicos pero no los reemplaza: la experiencia en química, biología y el sentido común siguen siendo esenciales para conclusiones válidas.
— Editorial Team
Aún no hay comentarios.