La revolución de la inteligencia artificial en el desarrollo de fármacos parece haber sido interrumpida. Durante la última década, el entusiasmo y la promesa de que esta tecnología transformaría la farmacología han chocado repetidamente contra la dura realidad de un proceso que es intrínsecamente complicado y lleno de riesgos. A pesar de los avances significativos en el campo de la inteligencia artificial (IA), muchas de las expectativas derivadas de su aplicación en el descubrimiento de nuevos medicamentos no se han cumplido como se había anticipado. Uno de los ejemplos más emblemáticos es Deep Genomics, una empresa canadiense fundada en 2015 con la misión de utilizar la IA al servicio de las terapias genéticas. En 2019, la compañía anunció el descubrimiento de un tratamiento para la enfermedad de Wilson, una afección genética poco común que puede resultar mortal si no se trata.
Este avance fue presentado como el primer candidato terapéutico descubierto exclusivamente por IA. Sin embargo, a pesar de las promesas iniciales, en la actualidad la empresa no cuenta con ningún medicamento en ensayos clínicos y sus proyectos se han desvanecido a una velocidad alarmante. Brendan Frey, el fundador de Deep Genomics, ha expresado su frustración respecto a la eficacia de la IA en su campo. "La IA nos ha decepcionado a todos en la última década en lo que respecta al descubrimiento de fármacos", señala Frey, quien cuenta con una vasta trayectoria en el ámbito de la IA y ha sido una figura clave en su desarrollo en Canadá. Aunque la empresa ha recibido una inversión significativa, su experiencia resalta la brecha entre la hype generada alrededor de la IA y la realidad de sus aplicaciones en biotecnología.
La creencia de que la IA podría acelerar el proceso de descubrimiento de fármacos y llevar a avances más allá de lo que los humanos podrían lograr sigue siendo una ilusión. Hasta ahora, no se ha lanzado al mercado ningún medicamento diseñado exclusivamente por algoritmos de IA, y las empresas que han utilizado esta tecnología para asistir en el desarrollo de fármacos han enfrentado numerosas dificultades. Por ejemplo, un fármaco desarrollado por BenevolentAI para tratar eccema no logró los resultados esperados en ensayos clínicos, lo que resultó en la suspensión del proyecto. De manera similar, otra compañía británica, Exscientia, cerró los ensayos de su tratamiento contra el cáncer debido a los reveses sufridos. La razón detrás de tales fracasos radica en lo difícil que es descubrir un nuevo fármaco.
Aproximadamente el 90 por ciento de los candidatos fallan en las pruebas clínicas, y existen realidades ineludibles, como el elevado costo y la duración de los ensayos en animales y humanos, que la IA no puede cambiar. Aunque algunos expertos sugieren que la IA puede acortar ligeramente el tiempo de desarrollo, el ahorro real podría ser tan solo de unos pocos meses en un proceso que puede tardar una década o más. No obstante, el camino a seguir no es completamente sombrío. Brendan Frey, tras reconocer los fracasos acumulados, se reorientó hacia modelos de IA más avanzados y integrados. En lugar de emplear decenas de modelos separados, Deep Genomics ha comenzado a experimentar con el modelo "BigRNA", un sistema que podría simplificar enormemente el desarrollo de fármacos al proporcionar información crucial en un solo lugar.
Esta nueva estrategia podría permitir a la empresa realizar predicciones más precisas sobre cómo los cambios en el ADN pueden influir en el desarrollo de enfermedades. Además de Deep Genomics, otros actores en el campo de la biotecnología están comenzando a ver el potencial de los modelos de IA "fundacionales". Estos modelos, como el GPT-4 de OpenAI, son capaces de llevar a cabo múltiples tareas y pueden adaptarse a diversas necesidades. Variational AI, por ejemplo, ha desarrollado un modelo que permite a los científicos ingresar propiedades moleculares deseadas y recibir estructuras que cumplen con esos criterios, lo que podría acelerar notablemente el proceso de descubrimiento de fármacos. Sin embargo, la mayoría de estas empresas todavía enfrentan importantes desafíos.
La falta de talento especializado en la intersección de la IA y la farmacología sigue siendo una barrera significativa. Las empresas a menudo contratan personal con experiencia en IA que carece del conocimiento profundo necesario sobre los procesos regulatorios y clínicos de desarrollo de fármacos. Esta desconexión a menudo resulta en un uso subóptimo de las capacidades de la IA. Clarissa Desjardins, fundadora de Congruence Therapeutics, lo expresa con claridad: "Es como si estuvieran usando un martillo para construir una casa sin tener idea de lo que están haciendo". Los problemas no se limitan al talento humano.
La calidad de los datos que alimentan los modelos de IA también es crucial. A menudo, los datos utilizados son insuficientes o de mala calidad, lo que se traduce en resultados insatisfactorios en los modelos. "Basarse en datos de mala calidad es como lanzar un barco a la mar sin una brújula", señala un investigador en el sector. La necesidad de datos puros y precisos es esencial para que los modelos de IA puedan producir resultados significativos. Sin embargo, no todo está perdido.
Las empresas que han perseverado a través de estos desafíos y han avanzando en la incorporación de IA en sus procesos de desarrollo de fármacos están empezando a ver resultados positivos, incluso si estos son marginales. Lo que muchos en la industria están descubriendo es que la IA puede no ser una panacea, pero puede enriquecer el proceso si se aplica correctamente y se entiende como una herramienta más en un arsenal complejo. El desarrollo de la IA en biotecnología probablemente tendrá un camino accidentado, lleno de giros inesperados y obstáculos a medida que avanza la investigación. Aun así, la fe en el potencial transformador de estas tecnologías persiste entre los innovadores que luchan por encontrar soluciones sostenibles en el doloroso y prolongado proceso de descubrir nuevos tratamientos y medicamentos. Con cada revés, hay lecciones aprendidas que pueden dirigir a las empresas hacia enfoques más efectivos y adaptativos en el futuro.
Es un momento crucial en el que la resistencia a la frustración y el deseo de aprender de cada fracaso determinarán el éxito de la IA en la contribución al desarrollo de fármacos. La historia de la biotecnología se escribe en el papel de la ciencia y la perseverancia, y aquellos que puedan superar los escollos no solo darán forma a su futuro, sino que también podrían redefinir la forma en que entendemos el proceso de descubrimiento de medicamentos en la era de la inteligencia artificial.
