En NILG.AI, nuestro lema es "Desbloquear capacidades empresariales mediante inteligencia de datos", ya que vemos la Inteligencia Artificial como una herramienta poderosa diseñada para maximizar el potencial de la actividad humana.

Muchos sectores han aprovechado la revolución de la IA para crear sistemas más eficientes capaces de obtener resultados más precisos mientras ahorran tiempo y costos operacionales. Esta eficiencia suena positiva desde el punto de vista empresarial (donde tiempo es dinero), pero resulta aún más valiosa cuando la humanidad debe enfrentarse a emergencias (donde tiempo significa vidas), como la pandemia de COVID-19.

En este artículo, nos centraremos en cómo la IA ha estado ayudando a la industria farmacéutica desde la investigación de fármacos hasta la adherencia terapéutica en pacientes, presentando y sugiriendo casos de uso aplicables. En el esquema siguiente, puede ver un resumen de los temas cubiertos en cada fase.

Cursos, Plantillas

Data Ignite

Aproveche el potencial de sus datos con nuestro curso.

Más información

Descubrimiento de Fármacos

Descubrir y desarrollar nuevos fármacos es un proceso que puede requerir años o décadas de investigación, con un costo promedio aproximado de $1300 millones. Dos consecuencias importantes de estos elevados costos son la falta de programas de tratamiento farmacológico en países de bajos ingresos y la escasez de inversión en tratamientos para enfermedades raras, como la esclerosis lateral amiotrófica (ELA).

En el proceso de construcción de moléculas farmacéuticas, existe un análisis intensivo de las propiedades moleculares que frecuentemente se realiza en laboratorio, lo que requiere mucho tiempo y es costoso. Este análisis incluye el estudio de la toxicidad, bioactividad, solubilidad, permeabilidad, afinidad con el objetivo molecular, y otros parámetros. Cuando una molécula farmacéutica no supera este análisis, debe ser reemplazada y el proceso se repite.

Cuando el conjunto de moléculas candidatas es muy extenso, es imposible probarlas todas. Aquí es donde entra en juego la IA, identificando compuestos candidatos prometedores, prediciendo las propiedades de las moléculas y optimizando sus estructuras.

Predicción de Afinidad

En Química Orgánica existe el concepto de que los compuestos con una estructura 3D similar pueden tener perfiles de afinidad similares. Con esto en mente, se creó ChemMapper, una herramienta para explorar estructuras moleculares y predecir su comportamiento. ChemMapper incluye una biblioteca con 300.000 estructuras químicas y 3 millones de compuestos químicos con anotaciones sobre sus interacciones. Cuando una nueva estructura se envía al servidor web, el algoritmo busca las estructuras más similares en la biblioteca, devolviendo las probabilidades de interacción entre la estructura de consulta y los compuestos encontrados.

DeepAffinity es otra herramienta creada para predecir interacciones moleculares. Esta herramienta utiliza deep learning interpretable, usando redes neuronales recurrentes y convolucionales para predecir la afinidad molecular basándose en secuencias de proteínas y mecanismos de atención para la interpretabilidad.

Ambas herramientas requieren grandes volúmenes de datos para mejorar su rendimiento, sin embargo, DeepAffinity incluye métodos de aprendizaje semisupervisado, aprovechando datos no etiquetados disponibles.

Predicción de Toxicidad

Las pruebas de toxicidad miden la toxicidad en una muestra analizando los resultados que la exposición produce a varias dosis. Son uno de los análisis más importantes a realizar al descubrir nuevos compuestos químicos. Normalmente, estas pruebas se realizan in vitro e in vivo, siendo experimentos que requieren mucho tiempo y son costosos. Además, los experimentos in vivo dependen del sacrificio de animales (generalmente mamíferos), lo que plantea importantes cuestiones éticas. Para reducir la necesidad de pruebas in vivo, se han desarrollado muchos modelos, incluyendo algoritmos de IA.

En 2014, el Instituto Nacional de Salud (NIH), la Agencia de Protección Ambiental (EPA) y la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) organizaron el desafío de datos Tox21 para impulsar la implementación de herramientas virtuales capaces de predecir la toxicidad de una molécula basándose en sus características físicas (como peso y fuerzas intermoleculares). DeepTox fue ganador del desafío, con el desarrollo de un pipeline que normaliza las representaciones químicas de los compuestos, extrae los descriptores químicos y predice su toxicidad utilizando una red neuronal profunda.

Diseño de Moléculas

Para asegurar una buena interacción compuesto-proteína, es esencial predecir la estructura de la proteína objetivo antes de diseñar la molécula del fármaco. En Química clásica, las formas proteicas se determinan en experimentos de laboratorio utilizando técnicas como resonancia magnética nuclear y microscopía crioelectrónica. Una vez más, estos experimentos requieren demasiado tiempo y cuestan cientos de miles de dólares por estructura.

Recientemente, los biólogos han recurrido a métodos de IA para predecir estructuras de proteínas de manera virtual, evitando los costos y esfuerzos requeridos en experimentos de laboratorio. AlphaFold es una de las herramientas que ha estado proporcionando los mejores resultados.

Se trata de una herramienta de código abierto (disponible aquí) que predice el modelo 3D de una proteína basándose en su código genético. La secuenciación genética, utilizada para determinar el código genético, es un método de bajo costo, por lo que hay un gran volumen de datos en el campo genómico. Esto significa que AlphaFold aprovechó un método de bajo costo para evitar el uso de experimentos costosos, acelerando y disminuyendo los costos del proceso de investigación.

De los Laboratorios a las Farmacias

Desde la producción de fármacos hasta su venta, hay muchas consideraciones logísticas involucradas. Este es un problema común para casi todas las industrias, pero es especialmente relevante para la farmacéutica ya que toda la cadena de suministro debe responder a condiciones muy restrictivas respecto a temperatura, humedad y luz. ¿Cómo puede ayudar la IA en logística farmacéutica? Validando el cumplimiento y optimizando el flujo de trabajo basándose en pronósticos. Aquí hay algunos ejemplos de casos de uso en este campo:

Cumplimiento en la Línea de Montaje

Normalmente, en las líneas de producción, el control de calidad es un proceso aleatorio, es decir, algunos artículos se seleccionan al azar y se analizan, y su nivel de calidad define la calidad de todo el lote. Sin embargo, este proceso no garantiza que todos los artículos hayan sido empaquetados de conformidad. Por otro lado, verificar manualmente el cumplimiento de cada artículo sería un proceso muy exhaustivo y que requeriría mucho tiempo, además de estar sujeto a errores humanos.

En este caso, la IA puede utilizarse para mejorar la escalabilidad de las tareas. Esto se puede lograr colocando sensores en la línea de montaje para medir características clave y detectar artículos que no cumplen. Por ejemplo, el proceso manual de empaquetar kits de medicamentos en cajas puede ser monitoreado por una cámara para verificar que todos los artículos del kit estén presentes y en la cantidad correcta.

Optimización del Almacén

Con la automatización del inventario del almacén y la demanda de productos, es posible predecir qué productos se almacenarán más tiempo, cuáles serán requeridos en mayores cantidades, qué productos tienen la mayor demanda y qué productos se utilizarán para integrar el mismo pedido, y así sucesivamente.

Después de recopilar esta información y/o realizar pronósticos, un algoritmo de optimización es capaz de organizar y definir la mejor configuración del almacén para que coincida la accesibilidad del producto con su demanda, aumentando la eficiencia del almacén.

Gestión de la Cadena de Suministro

Como se mencionó anteriormente, el almacenamiento y transporte de medicamentos debe realizarse bajo condiciones restringidas, lo que aumenta los costos logísticos. Si el transporte de un medicamento tarda más de lo esperado y las condiciones requeridas ya no se proporcionan, la calidad y usabilidad del producto se ve comprometida, lo que nuevamente genera más costos. Por lo tanto, planificar y optimizar esta cadena es esencial para mantener la eficiencia.

En este caso, la IA puede ser útil en tres niveles.

1. Predecir la demanda con anticipación y agrupar pedidos según su destino. Cuando llega un nuevo pedido, el algoritmo de IA predice la probabilidad de recibir un segundo pedido (o más) para la misma ubicación en los días siguientes. Si es probable que llegue un segundo pedido, esos pedidos deben ser agrupados y enviados juntos.
2. Seleccionar la ruta más corta: Utilizar el algoritmo de ruta más corta (o similar) para minimizar los costos de transporte.
3. Predecir obstáculos en el transporte. Utilizar datos meteorológicos, condiciones de ruta, características del conductor, características de los paquetes de entrega, características del vehículo y otra información relevante para predecir la duración de la entrega, considerando la posibilidad de riesgos. Considerando esa predicción, es posible tomar medidas preventivas y optimizar la gestión de la cadena de frío.

De las Farmacias a los Pacientes

Monitoreo de la Administración de Medicamentos

Cuando un paciente está bajo un tratamiento farmacológico controlado, es muy importante administrar las dosis correctas en el momento adecuado. Esta precisión en la administración de medicamentos es aún más esencial cuando los pacientes participan en ensayos clínicos. Cuando los efectos de una administración omitida no son demasiado arriesgados, los médicos confían en las palabras de los pacientes. Sin embargo, cuando es crucial seguir las reglas de administración, se pide a los pacientes que acudan al hospital para tomar sus medicamentos.

Para evitar viajes innecesarios al hospital, manteniendo al mismo tiempo el monitoreo de la entrega de medicamentos, podemos utilizar la IA para construir cajas inteligentes de medicamentos. Estas cajas incorporarían una alarma, una cámara y un mecanismo de entrega controlada.

La alarma estaría configurada para notificar a los pacientes en el momento de administración. La cámara (sensores RGB u otros) incluiría un sistema de reconocimiento facial para identificar al paciente y detectar la acción de tomar el medicamento. Finalmente, el control de entrega soltaría las dosis correctas en el momento adecuado, evitando el riesgo de sobredosis. La caja estaría conectada a un servidor hospitalario para proporcionar informes en tiempo real o guardaría los informes para ser analizados por el médico en la siguiente cita médica.

Más allá de ensayos clínicos, la caja inteligente o productos similares serían muy útiles para pacientes con pérdida de memoria o trastornos neurológicos, como la enfermedad de Alzheimer.

Predicción de Dosificación Óptima

Encontrar la dosificación óptima de un medicamento no es un problema trivial. Cada persona tiene su propio metabolismo, perfil genético, historial médico y respuesta inmunológica, reaccionando de manera diferente a la administración de un medicamento. Por lo tanto, no es posible lograr la mejor respuesta en todos los pacientes utilizando la misma dosificación para todos.

Los equipos de investigación han estado trabajando en este problema buscando encontrar nuevas estrategias que aseguren la efectividad del medicamento mientras utilizan la dosificación mínima por individuo. Esto reduce la toxicidad por dosificación, evitando efectos secundarios en los pacientes.

Investigadores del MIT Media Lab estudiaron la optimización de dosificación para el tratamiento del glioblastoma, que es un tumor cerebral maligno que requiere un tratamiento muy agresivo, y propusieron un modelo de optimización basado en aprendizaje por refuerzo (RL).

Para este problema, se adaptó un modelo de RL para aprender los mejores regímenes de administración, considerando la combinación de medicamentos a administrar, las opciones de dosificación para cada uno y los datos médicos del paciente. El algoritmo elige una de las siguientes acciones: iniciar o retener una dosis de uno de los medicamentos. En caso de iniciar, el algoritmo también decide si se administrará la dosis completa o solo una parte. En cada acción, otro modelo predice el cambio en el tamaño del tumor como consecuencia de la acción. Cuando el tamaño disminuye, el modelo de RL recibe una recompensa. Para evitar sobredosis, el modelo recibe una penalización cada vez que decide administrar todas las dosis completas.

En los ensayos clínicos, este método resultó efectivo ya que logró la reducción del tumor utilizando dosis más pequeñas que los regímenes de administración tradicionales.

Conclusión

Existe una amplia gama de casos de uso relacionados con la Inteligencia Artificial y la industria farmacéutica, posicionando la IA como una herramienta indispensable en los flujos de trabajo farmacéuticos actuales.

La IA no solo es útil para reducir costos, sino también para acelerar los pipelines de investigación y fomentar respuestas más rápidas a las necesidades de atención sanitaria.

Tenga en cuenta que este es solo otro ejemplo de industria donde la IA juega un papel crucial. Para discutir las potencialidades de la IA para esta y otras industrias, no dude en contactarnos.

¿Desea seguir discutiendo esta idea?

Programe una reunión con Rafael Cavalheiro

Conozca a Rafael Más información