Las herramientas digitales y los modelos predictivos ganan terreno en el descubrimiento de fármacos

Las herramientas digitales de diseño de fármacos y la IA se están integrando en el descubrimiento de fármacos a medida que los plazos típicos para que un fármaco tenga éxito se extienden de 10 a 14 años, o a veces incluso más, para llevar un fármaco desde su descubrimiento hasta su aprobación. El coste de llevar un fármaco al mercado puede oscilar entre cientos de millones y varios miles de millones de dólares, y solo alrededor del 12% de los fármacos que llegan a los ensayos clínicos obtienen la aprobación de la FDA.

Las estimaciones publicadas del coste de I+D por cada fármaco aprobado varían ampliamente según la metodología y lo que se incluya. Un análisis influyente estimó costes de aproximadamente $1.4 mil millones de gasto directo y $2.6 mil millones capitalizados en dólares de 2013, mientras que un análisis de datos públicos sobre aprobaciones de la FDA estimó que la inversión mediana capitalizada en investigación y desarrollo para llevar un nuevo fármaco al mercado fue de $985.3 millones y la inversión media fue de $1,335.9 millones en el análisis del caso base. Los costes financieros de una pérdida asociada a un ensayo fallido en fase avanzada, incluidos los costes de desarrollo hundidos, pueden oscilar entre $800 millones y $1.4 mil millones.

Las tasas de éxito del desarrollo clínico varían según la enfermedad y el conjunto de datos. Un amplio estudio de referencia de programas entre 2011 y 2020 estimó una probabilidad aproximada del 7.9% de aprobación desde la Fase I hasta la aprobación en términos generales, con una cifra menor en oncología, de aproximadamente 5.3%. Solo una pequeña fracción de los compuestos que entran en pruebas preclínicas progresa hasta los estudios en humanos por primera vez.

Los largos plazos y los elevados costes asociados al descubrimiento de fármacos han provocado una brecha en las necesidades médicas de los pacientes con enfermedades raras. Aunque entre 3.5% y 5.9% de la población mundial, es decir, entre 263 millones y 446 millones de personas, padece enfermedades raras, 95% de ellas no dispone de opciones de tratamiento aprobadas por la FDA en EE. UU. Con tasas de fracaso tan altas que se traducen en tiempo y dinero desperdiciados, la mayoría de los ensayos se centra en enfermedades más comunes que prometen una mayor rentabilidad si el fármaco llega al mercado.

Hoy, el diseño digital de fármacos abarca simulaciones moleculares que modelan cómo los compuestos interactúan con dianas biológicas, modelos de aprendizaje automático entrenados con vastas bibliotecas químicas para predecir candidatos a fármacos, IA generativa que propone estructuras moleculares totalmente novedosas y plataformas de automatización de laboratorio que conectan las predicciones computacionales con experimentos físicos. En la década de 2020, la IA y el aprendizaje automático se integraron en los enfoques de diseño de fármacos asistido por ordenador, y los modelos de aprendizaje profundo permitieron una precisión predictiva sin precedentes. AlphaFold y otras herramientas de IA generativa transformaron la predicción estructural y el diseño molecular.

Antes de la década de 1970, el descubrimiento de fármacos estaba dominado por observaciones fortuitas y cribado de ensayo y error. A partir de la década de 1970 surgió el diseño de fármacos asistido por ordenador mediante técnicas computacionales, y sus aplicaciones aumentaron gradualmente a lo largo de la década de 1980 y posteriormente. En la década de 2000, la biología estructural, la genómica y la bioinformática comenzaron a impulsar el desarrollo del diseño de fármacos asistido por ordenador, las bibliotecas de proteínas y compuestos químicos se expandieron de forma exponencial y el cribado virtual se convirtió en una práctica estándar.

Los primeros fármacos diseñados con IA avanzan actualmente en ensayos clínicos, y las empresas están demostrando cadenas integrales de IA de extremo a extremo. Una estimación proyecta que el mercado de descubrimiento de fármacos con IA crecerá de $4.6 mil millones en 2025 a $49.5 mil millones para 2034, con una tasa de crecimiento anual compuesta del 30%.

Un artículo reciente analizó modelos predictivos basados en la teoría de la información sobre un conjunto de resultados de cribado de muestras biológicas para el diseño de fármacos. A diferencia de las herramientas existentes, que principalmente proporcionan espectros probabilísticos de actividad biológica a partir de entradas SMILES, el sistema propuesto incorpora una red neuronal híbrida integrada con modelos predictivos basados en la teoría de la información para simular dinámicamente procesos farmacocinéticos y farmacodinámicos utilizando datos basados en estructuras y datos de muestras biológicas. A partir del conjunto de características de las muestras biológicas, se seleccionaron dos muestras activas que, con un alto grado de fiabilidad, también son adecuadas para crear fármacos basados en el receptor de péptido formilo.

El artículo señaló que los investigadores pueden elegir las características más importantes de las biomuestras mediante el uso de retratos de información de clase, lo que reduce el esfuerzo necesario para el desarrollo de fármacos y mejora la precisión de las predicciones. El análisis de contribución de características identificó rasgos que afectan positivamente al estado activo de las biomuestras, y también se determinó la intensidad de su influencia.