La química como entrenadora de algoritmos para lograr fármacos
El 'chief digital officer' de Novartis, Bertrand Bodson, explica cómo su compañía emplea técnicas de inteligencia artificial para generar nuevos fármacos, más eficaces, así como para que las dosis sean más precisas. Los datos son ahora su tesoro.
La degeneración macular asociada a la edad (DMAE) reduce poco a poco la visión central del paciente. Si no se toman medidas, los síntomas se agudizan y el proceso puede concluir en una ceguera total. Por ahora el tratamiento implica una inyección periódica en el ojo, con las molestias que esto conlleva. “Nosotros queremos que la dosis sea más inteligente”, apunta Bertrand Bodson, chief digital officer (CDO) de la farmacéutica Novartis. Es un ejemplo de cómo, a veces, el CDO habla como si trabajara en una empresa de Silicon Valley en lugar de una farmacéutica.
Ahora la dosis de un medicamento se estandariza sobre todo en base al rango de edad del paciente. Pero un modelo de machine learning podría ayudar a proporcionar tratamientos personalizados. “La dosis depende de las características del paciente, de la biología humana, que nos hace reaccionar de forma diferente a diferentes medicamentos, y de otros parámetros”, indica el CDO. Algunos de estos datos se podrían deducir introduciendo el resultado de un escáner TCO (tomografía de coherencia óptica) en un sistema de inteligencia artificial, entrenado con un aluvión de información clínica.
Todo con el objetivo de personalizar las dosis. “Lo que intentamos probar es que un escaneo de tu ojos, junto con una base de datos de pacientes, puede entender mejor la estratificación de los pacientes y la evolución de las enfermedades. Así evitaremos que algunos pacientes tengan que venir a por una inyección que no necesitan”, explica Bertrand Bodson, que antes trabajó en Amazon y ha desarrollado su carrera siempre ligado ámbitos de responsabilidad digital.
El CDO de Novartis afirma que la inteligencia artificial ya puede influir en los tratamientos. “Antes estudiábamos las enfermedades mirando imágenes [radiografías, ecografías] para entender la evolución de la enfermedad. Pero una persona necesitaba 20 años de entrenamiento para saber de forma precisa qué patrones podrían llegar a asociarse con un melanoma u otro tipo de cáncer”, señala. “La inteligencia artificial puede realmente tener identificados los patrones asociados a estas enfermedades. Más aún. Puede estudiar imágenes a nivel global, todas las imágenes disponibles, para entender qué tipo de formas se anticipan a estos patrones, para poder actuar más tempranamente”.
La personalización de la medicina en base a la inteligencia artificial no es un ámbito inexplorado. En los últimos años la supercomputadora Watson, de IBM, se ha instalado en varios hospitales de Estados Unidos, con el fin de ofrecer diagnósticos y tratamientos precisos contra el cáncer. Aunque no todo han sido buenas noticias. Algunos médicos detectaron que la máquina proponía tratamientos claramente erróneos en algunos casos.
Otra de las principales vías de personalización de los tratamientos, también en desarrollo, tiene que ver con el conocimiento de la información genética. Aunque en este campo también quedan grandes asperezas por limar. Las dimensiones de la información contenida en el ADN son enormes y difíciles de procesar. Además, no existe una gran cantidad de muestras para crear una base de datos a partir de la que extraer patrones.
La simulación de los medicamentos deseados
La inteligencia artificial tiene otro gran campo para demostrar sus cualidades en el sector médico. Se trata de la llamada química generativa, que aplica modelos de inteligencia artificial (IA) a la síntesis de nuevos medicamentos. Se simulan moléculas virtuales con las propiedades químicas deseadas por los investigadores.
“Se trata de entrenar algoritmos bajo las reglas de la química, para que puedan generar muchas de esas moléculas potenciales con las propiedades químicas deseadas, que después pasamos a expertos, para que decidan cuáles probar”, detalla Bodson. En plata: una simulación masiva de posibles moléculas con las cualidades deseadas. A partir de ahí los especialistas hacen su propia selección y prueban los compuestos.
Bodson explica que la química generativa se puede hacer ahora, sin emplear inteligencia artificial. Pero el proceso tiene un carácter muy general y es necesario probar secuencialmente una gran variedad de moléculas. Con modelos de IA se ahorra tiempo y esfuerzos.
Las farmacéuticas como grandes almacenes de datos
¿Qué implica todo este trabajo con inteligencia artificial? La necesidad de almacenar y tratar grandes cantidades de datos. Esto comporta obligaciones legales y, sobre todo, servicios tecnológicos a gran escala, con los que las farmacéuticas no están acostumbradas a lidiar.
De ahí que Novartis haya anunciado recientemente un acuerdo con Microsoft, para obtener un respaldo tecnológico a sus esfuerzos en inteligencia artificial. La plataforma cloud Azure será el puntal en el que se apoye el desarrollo de la farmacéutica en este campo. Y es que para estas investigaciones se necesitan centros de datos con gran y herramientas de análisis potentes. Aunque el contrato –de cinco años de duración– irá más allá: ambas compañías colaborarán en la investigación de nuevos medicamentos en los centros de Suiza y Dublín, de Novartis, y en las instalaciones de Microsoft, en Cambridge. El objetivo es reducir el coste y el tiempo que se tarda en crear un fármaco, que ahora está en unos 2.600 millones de dólares y más de una década de espera.
El tipo de información con la que trabajan las farmacéuticas es de origen clínico y procedente de ensayos preclínicos, así como otros datos que provienen de diversas fuentes, como papers o informes de profesionales de la salud. Son datos muy sensibles, en todo caso.
Bodson reconoce que tratan la información como un recurso, aunque asegura que estudian cuidadosamente a qué empresas ceden sus datos, cuando necesitan un socio tecnológico. Hay dos motivos. El primero es que los datos que manejan están sujetos a una normativa de privacidad estricta. "La privacidad del paciente es clave. Tratamos este tema con extremada seriedad. Cuando haces ensayos clínicos te aseguras de que no haya datos identificables del paciente asociados".
Pero además, esta información se convierte poco a poco en uno de los valores clave de las farmacéuticas para el futuro. De ahí que solo se lancen a compartir este valor con otra empresa si ven una relación provechosa.
