Los fármacos basados en proteínas tienen un gran potencial para el tratamiento de patologías en áreas como la oncología y las enfermedades inmunomediadas, entre otras. No obstante, los métodos tradicionales para desarrollar este tipo de fármacos son lentos y con una eficacia limitada.
El aprendizaje automático (AA), un tipo de inteligencia artificial (IA), ya se utiliza en el desarrollo de nuevos fármacos para estimar propiedades de interés en base a una secuencia de aminoácidos o una estructura molecular 3D. Pero predecir con precisión cómo una proteína específica se comportará en el cuerpo humano requiere de cantidades ingentes de datos para entrenar modelos de IA, y una única empresa no genera tal volumen de información.
En un comentario en Nature, expertos de Amgen proponen una posible solución al problema: integrar los datos de distintas compañías mediante herramientas de IA que permitan mantener la seguridad y confidencialidad de la información de interés comercial. En este sentido, apuntan que se podría recurrir a dos aproximaciones especializadas del AA.
La combinación de aprendizaje federado y aprendizaje activo podría mejorar la predicción de propiedades complejas de proteínas candidatas
Por un lado, el aprendizaje federado consiste en compartir un modelo de AA que cada empresa actualiza con sus datos locales, pero compartiendo los datos no sujetos a propiedad intelectual con un intermediario de consenso, una empresa tecnológica o una consultora, que se encarga de mantener el modelo global.
Esta aproximación se ha llevado a cabo con éxito en el proyecto
MELLODDY, en el que diez empresas biofarmacéuticas entrenaron un modelo de aprendizaje federado durante tres años con datos de más de 20 millones moléculas pequeñas candidatas.
La segunda aproximación de AA necesaria es el aprendizaje activo que, ante una secuencia inusual de aminoácidos de una proteína candidata, puede determinar los datos que serían necesarios para alcanzar una buena predicción sobre su potencial terapéutico.
Los autores apuntan que la combinación de aprendizaje federado y aprendizaje activo podría mejorar la capacidad de predecir propiedades complejas de proteínas candidatas, como la posible interacción con el sistema inmunitario del paciente.
Además, consideran que los anticuerpos son los principales candidatos para poner en marcha esta aproximación. Son los fármacos proteicos más habituales en el mercado y se dispone de gran cantidad de datos sobre ellos.
Los expertos animan a las empresas del sector a establecer consorcios para colaborar en el desarrollo de estos modelos, manteniendo la competitividad. Y es que el objetivo final es desarrollar fármacos complejos de forma más ágil y con un coste menor, lo que resulta de interés tanto para las empresas como para los pacientes.
Referencia
Mock M, Edavettal S, Langmead C, Russell A. AI can help to speed up drug discovery - but only if we give it the right data.
Nature. 2023;621(7979):467-470.
doi:10.1038/d41586-023-02896-9OAD-ES-AMG-0001
Aceptar y salir
