Este modelo de aprendizaje automático para mejorar y agilizar el desarrollo de nuevos medicamentos es una forma de aplicar la Inteligencia Artificial a la industria farmacéutica. Fue desarrollado por científicos de la Universidad de Toronto, quienes publicaron sus hallazgos en Nature Communications.

El objetivo es utilizar técnicas de aprendizaje automático para mejorar y agilizar el proceso de identificación de nuevas moléculas para el tratamiento de enfermedades. Esto implica un mayor conocimiento de la química de los compuestos, la bioquímica de los receptores, la farmacología y la toxicología.

El uso de métodos de aprendizaje automático puede ayudar a acelerar la identificación de nuevos fármacos. Esto se logra al proporcionar algoritmos que pueden aprender de los datos históricos de pruebas de drogas. Así también para la información de la literatura científica, para identificar las mejores estrategias para el desarrollo de nuevos fármacos. Por otra parte, el aprendizaje automático también puede ayudar a predecir los resultados de las pruebas clínicas. Esto permite una mayor precisión en el desarrollo de nuevos medicamentos. Por lo tanto, los laboratorios farmacéuticos no necesitan realizar tantas pruebas clínicas como antes. Como resultado, se reducen el tiempo y los costos de desarrollo, así como los riesgos para los pacientes.

aprendizaje automático medicamentos
Vía iStock.

Pros del uso de aprendizaje automático para el desarrollo de medicamentos

Los investigadores han probado con éxito el uso de modelos de aprendizaje automático para guiar el diseño de formulaciones de fármacos inyectables de acción prolongada. Como dijimos previamente, el uso de este método para acelerar la formulación de medicamentos podría reducir el tiempo y el costo asociados con el desarrollo de medicamentos. Como consecuencia, tendríamos al alcance nuevos medicamentos prometedores que estarán disponibles más rápido.

Los inyectables de acción prolongada son una formulación avanzada de administración de fármacos que se está utilizando cada vez más para el tratamiento de enfermedades crónicas. Esta formulación puede ayudar a los pacientes a adherirse mejor a su régimen de medicación, reduciendo los efectos secundarios y aumentando la eficacia. Sin embargo, el desarrollo y la caracterización de esta formulación puede ser un proceso largo y costoso.

Por lo tanto, para simplificar y abreviar el proceso de formulación, los científicos han desarrollado diversos modelos de aprendizaje automático. Estos pueden predecir la liberación de fármaco de los LAI con una alta precisión. Dichos modelos se basan en el análisis de la estructura química, la topografía, la cinética de liberación y la estabilidad de la formulación.

Además, se han probado con éxito para predecir la liberación de fármaco para una amplia gama de compuestos farmacológicos, incluyendo fármacos de acción prolongada.

En resumen, el uso de estos modelos de aprendizaje automático para predecir la liberación de fármaco de los LAI puede ayudar a los científicos a seleccionar y optimizar más rápidamente la mejor formulación para un fármaco específico.

Vía iStock.

Los contras…

Los resultados del estudio actual son alentadores y señalan el potencial del aprendizaje automático para reducir la dependencia de las pruebas de prueba y error, lo que ralentiza el ritmo de desarrollo de los inyectables de acción prolongada.

Sin embargo, los autores del estudio identifican que la falta de conjuntos de datos de código abierto disponibles en las ciencias farmacéuticas representa un desafío importante para el progreso futuro. Como consecuencia, los estudios y el trabajo que se realizó en ellos no pudieron aprovecharse para desarrollar los modelos de aprendizaje automático que estos investigadores necesitan para impulsar los avances en este ámbito.

Los investigadores afirman que existe una necesidad real de crear bases de datos robustas en ciencias farmacéuticas. Estas deben ser de acceso abierto y disponible para todos.

Para promover el cambio hacia las bases de datos accesibles necesarias para respaldar la integración del aprendizaje automático en las ciencias farmacéuticas de manera más amplia, el equipo de investigación ha hecho que sus conjuntos de datos y códigos estén disponibles en la plataforma de código abierto Zenodo para que otros puedan aprovechar este trabajo.

Referencias:

Machine learning models to accelerate the design of polymeric long-acting injectables: https://doi.org/10.1038/s41467-022-35343-w

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *