Las biotecnologías están aplicando la IA y el aprendizaje automático al desarrollo de medicamentos, creando potencialmente docenas de nuevos medicamentos y un mercado de $50 mil millones durante la próxima década.Esto es lo que significa para los pacientes e inversores.

Introducción:

Para las compañías de biotecnología, gran parte del proceso tradicional de descubrimiento de nuevos medicamentos es una conjetura costosa.está ayudando a las empresas a utilizar grandes conjuntos de datos para identificar rápidamente los marcadores de respuesta del paciente y desarrollar objetivos viables de fármacos de manera más barata y eficiente.

Los resultados podrían ser transformadores no sólo para los proveedores médicos y los pacientes que sufren de enfermedades difíciles de tratar, sino también para el sector de la biotecnología: Morgan Stanley Research believes that modest improvements in early-stage drug development success rates enabled by the use of artificial intelligence and machine learning could lead to an additional 50 novel therapies over a 10-year period, lo que podría traducirse en una oportunidad de más de $50 mil millones.

El diagnóstico predictivo, mejorado por datos, presenta una oportunidad significativa a corto plazo para la industria de las ciencias de la vida, dice Tejas Savant.que cubre las herramientas y diagnósticos de ciencias de la vida en Morgan Stanley ResearchTambién es probable que tenga resonancia entre los pagadores, ya que estos ensayos pueden generar mejores resultados.También pueden ofrecer ahorros considerables de costes al permitir la identificación y el tratamiento más tempranos de los pacientes de mayor riesgo.

¿Por qué utilizar la IA en el descubrimiento de drogas?

El objetivo central de la investigación sobre el descubrimiento de fármacos es identificar los medicamentos que actúan beneficiosamente sobre el cuerpo, en otras palabras, pueden ayudar a prevenir o tratar una enfermedad en particular.

Aunque hay varios tipos diferentes de fármacos, muchos son pequeñas moléculas sintetizadas químicamente que pueden unirse específicamente a una molécula diana, generalmente una proteína, implicada en una enfermedad.

Para encontrar estas moléculas, los investigadores tradicionalmente realizan grandes pantallas de bibliotecas de moléculas para identificar una con el potencial de convertirse en una droga.Luego pasan por numerosas rondas de pruebas para desarrollarlo en un compuesto prometedor..

Recientemente, los enfoques de diseño de fármacos más racionales basados en la estructura se están volviendo cada vez más comunes.Estos evitan las etapas iniciales de detección, pero aún requieren que los químicos creen nuevos fármacos potenciales mediante el diseño, sintetizando y evaluando numerosos compuestos.

Debido a que generalmente se desconoce qué estructuras químicas tendrán tanto los efectos biológicos deseados como las propiedades necesarias para convertirse en un fármaco eficaz,El proceso de refinamiento de un compuesto prometedor en un candidato a fármaco puede ser costoso y consume mucho tiempoLas cifras más recientes muestran que el coste de introducir un nuevo medicamento en el mercado asciende ahora a un promedio de 2.600 millones de dólares.

Además, incluso una vez que un nuevo candidato a fármaco muestra potencial en pruebas de laboratorio, todavía puede fallar cuando se traslada a ensayos clínicos.Menos del 10% de los fármacos candidatos llegan al mercado después de los ensayos de fase I.

Teniendo esto en cuenta, no es sorprendente que los expertos estén ahora buscando el potencial de procesamiento de datos sin precedentes de los sistemas de IA como una forma de acelerar y reducir el coste del descubrimiento de nuevos medicamentos.Según la firma de investigación de mercado Bekryl, la IA tiene el potencial de ofrecer más de US $ 70 mil millones en ahorros para el proceso de descubrimiento de medicamentos para 2028.

¿Cómo puede aplicarse la IA al descubrimiento de drogas?

The sheer size of the libraries used to screen for new drug candidates means it’s now practically impossible for individual researchers to review everything themselves - and that’s where AI and machine learning can help.

Estas técnicas sofisticadas permiten a los investigadores extraer información oculta de grandes conjuntos de datos.

• Predecir las propiedades de un compuesto potencial,lo que significa que sólo se eligen compuestos con las propiedades deseadas para la síntesis, ahorrando tiempo y dinero al evitar el trabajo en compuestos que probablemente no sean efectivos..
• Generando ideas para compuestos completamente nuevos,donde se predice que la molécula “inventada” tiene todas las propiedades deseadas necesarias para el éxito “ lo que podría acelerar enormemente el descubrimiento de nuevos medicamentos eficaces.
• Reducir la necesidad de realizar tareas repetitivas, como el análisis de miles de imágenes histológicas, ahorrando cientos de horas de trabajo en el laboratorio.

Estas son solo algunas de las ventajas potenciales, mirando al final temprano del proceso de descubrimiento de medicamentos.

Descubrimiento de fármacos asistido por la IA del péptido KS-V:

Acoplamiento de péptidos al objetivo y puntuación de las conformaciones de unión, retención de los resultados con las mejores puntuaciones, y continuar buscando mejores secuencias basadas en resultados anteriores.Repetir el proceso hasta que la puntuación no cambie significativamenteCombinando el descubrimiento de fármacos asistido por IA con la automatización de laboratorio, detección de alto rendimiento,Las nuevas tecnologías pueden mejorar aún más el proceso de descubrimiento de fármacos, aumentando su eficiencia y reduciendo el tiempo y los costes.

Estudio de caso de descubrimiento de fármacos asistido por la IA del péptido KS-V: