IA en medicina: ciencias de la vida y descubrimiento de drogas

Hola Habr! Hoy les mostraré mi traducción de una maravillosa entrevista con Alexander Zhavoronkov . Espero que sea tan interesante para ti leer como para mí traducir.



La inteligencia artificial nos promete una mejor salud, un desarrollo de medicamentos y pruebas más rápidos. Todo esto se hace con el objetivo de mejorar los resultados del paciente. Hoy estamos hablando con un experto mundial en el uso de la inteligencia artificial en las ciencias de la vida, cuyo objetivo es encontrar y desarrollar medicamentos más rápido y más barato.

Alexander Zhavoronkov es el fundador y CEO de Insilico Medicine. La compañía es líder en el campo de la inteligencia artificial de la próxima generación, cuyos métodos están dirigidos al descubrimiento de nuevos fármacos, el desarrollo de biomarcadores y la investigación sobre el envejecimiento. Antes de Insiliko, desempeñó funciones de gestión en ATI Technologies, NeuroG Neuroinformatics, la Fundación para la Investigación Biogerontológica y YLabs.AI. Desde 2012, ha publicado más de 130 artículos científicos revisados ​​por pares y 2 libros. Durante seis años, organizó los foros anuales "Investigación sobre el envejecimiento para el descubrimiento de fármacos e inteligencia artificial para la asistencia sanitaria" en Basel Life / EMBO en Basilea. Alexander es profesor asociado en el Buck Institute for Aging Research.



Michael Kriegsman: Cuéntanos brevemente sobre Insilico Medicine y en qué estás trabajando.

Alexander Zhavoronkov: Estamos enfocados principalmente en la aplicación de los métodos de inteligencia artificial de próxima generación para el desarrollo de fármacos, el desarrollo de biomarcadores y la investigación del envejecimiento. Nos centramos específicamente en dos técnicas de aprendizaje automático: redes de confrontación generativa ( GAN ) y aprendizaje reforzado . Estos son los métodos en los que tenemos más experiencia en nuestro campo.

Utilizamos estos métodos para dos propósitos. Uno de ellos es la identificación de objetivos biológicos y la creación de biomarcadores a partir de varios tipos de datos, así como la creación de nuevas moléculas, nuevas estructuras moleculares con un conjunto específico de propiedades. Fuimos una de las primeras compañías, quizás la primera en crear nuevas moléculas utilizando una nueva tecnología llamada redes generativas competitivas, y en probar estas moléculas de forma experimental.

¿Qué es una tubería de desarrollo de medicamentos?

Michael Kriegsman: Danos un poco de contexto. ¿Qué es una tubería de desarrollo de medicamentos? ¿Por qué es tan difícil? Hablemos de eso. Entonces podemos pasar a cómo la IA lo hace mejor, más fácil.

Alexander Zhavoronkov: El descubrimiento y desarrollo de drogas es un proceso muy largo. También es uno de esos procesos donde tiene más fallas que éxitos. De hecho, hay muchos más fracasos que éxitos.

Se necesitan más de $ 2.6 mil millones para desarrollar un medicamento y llevarlo al mercado para tratar una enfermedad específica. Esto es después de que la molécula ha sido probada en animales. Además, después de que la molécula ha sido probada en animales, la tasa de falla es del 92%. Cuando un medicamento se prueba en humanos, falla en el 92% de los casos. Entonces, el proceso no solo es largo, sino también arriesgado.

Típicamente, el tiempo requerido para el descubrimiento y desarrollo de una molécula es de unos diez años. Las personas que inician el proceso no siempre están presentes cuando la molécula invade. El proceso consta de varias etapas.

El primero es la generación de hipótesis. Usted presenta una hipótesis, una teoría de una enfermedad específica y determina los objetivos apropiados. Estás hablando de qué proteínas están involucradas en la enfermedad y qué proteínas son la causa.

Después de eso, vas y desarrollas un anticuerpo o una molécula pequeña para esta proteína objetivo. Si está desarrollando una molécula pequeña, generalmente comienza revisando grandes bibliotecas de compuestos que pueden alcanzar este objetivo en particular, y realiza todo tipo de experimentos para ver qué tan bien se unen estas pequeñas moléculas a este objetivo.

Después de eso, selecciona varias opciones. Usted determina qué moléculas son las más adecuadas para este objetivo proteico y comienza a realizar todo tipo de experimentos con estas moléculas para determinar si funcionan bien en el sistema biológico, en un análisis relacionado con la enfermedad, en un ratón, perro u otros animales, y luego solicita una IND ( nueva investigación de drogas ) con la FDA para obtener la molécula en ensayos clínicos.

Una vez completado este proceso, comenzamos a desarrollar medicamentos y a comenzar ensayos clínicos. Todo comienza con la fase I, que está relacionada con la seguridad. En la fase II, prueba la efectividad del medicamento. En la fase III, prueba ambas fases en entornos clínicos grandes, en grandes poblaciones. Después puede continuar con la fase IV o comenzar el lanzamiento del producto.

Descubrimiento de drogas e investigación post-comercialización

Alexander Zhavoronkov: Y luego la investigación posterior a la comercialización. Este proceso generalmente lleva más de diez años y falla en el 92% de los casos.

Con AI, realmente puedes jugar en casi todos los segmentos, comenzando con el descubrimiento de drogas en una etapa temprana, cuando AI puede ayudarte con el modelo de hipótesis y, de hecho, sacar las agujas del pajar con el identificador del objetivo, con la identificación de moléculas pequeñas, con detección virtual, con la creación de nuevas moléculas con propiedades especiales, con la planificación del diseño de un ensayo clínico y la inclusión en un ensayo clínico. Y luego, también, para predecir los resultados de los ensayos clínicos.

Michael Kriegsman: ¿Dónde comienza la IA a acortar el proceso, mejor?

Alexander Zhavoronkov: Si se encuentra en las primeras etapas de desarrollo de medicamentos, comience a trabajar para generar hipótesis e identificar objetivos, por lo general, tiene varias formas de seguir. Una forma es buscar literatura e identificar áreas prometedoras que han sido descubiertas por científicos en el pasado y publicadas.

La IA puede ayudarlo a producir una gran cantidad de literatura, así como otras fuentes relacionadas, para identificar señales y objetivos que pueden estar asociados con la enfermedad. Nosotros en Insilico generalmente comenzamos con datos de subvenciones. Estamos buscando subsidios biomédicos por un valor de alrededor de $ 1.7 trillones en los últimos 25 años. Luego observamos cómo estas subvenciones se convierten en publicaciones, en patentes de ensayos clínicos y luego en productos en el mercado.

Seguimos de idea en idea y de dinero en dinero, es decir, del dinero en el mercado. También observamos cómo el dinero se convierte en datos. Por lo tanto, por lo general, cuando el gobierno respalda cierto estudio, los datos deben almacenarse en un repositorio público para que otras personas puedan copiarlo, así como para el bien común.

Intentamos hacer un seguimiento del dinero en los datos. Si no hay datos, tratamos de contactar al científico y obtener datos del científico y / o instamos al científico a poner los datos en una tienda pública.

Comenzamos con bases de datos de texto, pero también asociamos estos datos con datos omix. De hecho, todo lo que termina con "ohmic" (transcriptómica, genómica, metabolómica, metagenómica) se denomina datos omix.

Trabajamos principalmente con datos sobre la expresión génica, por lo que observamos cómo el nivel de expresión de ciertos genes o redes enteras cambia, por ejemplo, de un estado saludable a una enfermedad. Transformamos estos cambios, estos signos de la enfermedad en objetivos separados, y determinamos qué tipos de proteínas pueden atacarse utilizando una molécula pequeña.

Luego volvemos a la técnica anterior en el texto y vemos si alguien ha publicado algo que refuerce nuestra hipótesis. Esto no significa necesariamente que nuestra hipótesis sea incorrecta si no hay señal en el texto, porque a veces las personas simplemente no pueden asociar un objetivo específico con la enfermedad utilizando métodos más antiguos, pero esto nos da un poco más de confianza para ver que alguien ya está tocó este problema y este objetivo antes.

Recopilamos grandes cantidades de datos que son simplemente imposibles de procesar con la ayuda de la inteligencia humana. También recopilamos y combinamos estos tipos de datos. A veces, estos tipos de datos son completamente incompatibles, y es imposible simplemente unirlos usando herramientas estándar. Realmente necesita entrenar redes neuronales profundas simultáneamente en varios paquetes de datos para que puedan generalizarse y para que podamos extraer las funciones correspondientes presentes en varios tipos de datos al mismo tiempo.

Algunos de los tipos de datos con los que trabajamos son completamente incomprensibles para la mente humana. Como, por ejemplo, datos de expresión génica o datos de movimiento, o datos de exploración de actividad cardiovascular, o datos de ultrasonido. Logramos combinar estos tipos de datos usando IA y luego determinamos los objetivos correspondientes.

Biología vs Inteligencia Artificial

Michael Kriegsman: ¿ En Insilico, su especialización principal es la biología y la medicina o el desarrollo de métodos de inteligencia artificial? ¿Es posible separar estas dos direcciones?

Alex Zhavoronkov: En nuestro caso, ambas áreas son buenas y contratamos a personas de manera competitiva a nivel internacional. En los concursos, realizamos pruebas muy complejas que las personas deben resolver muy rápidamente. Estos problemas generalmente están asociados con el desarrollo del método de IA y la solución de un problema biológico o químico complejo.

Sin embargo, cuando miras a los científicos realmente buenos de la IA, generalmente no son muy buenos en biología o química. Son buenos en matemáticas. Es por eso que un cierto porcentaje de nuestra compañía son simplemente matemáticos maravillosos que desarrollan nuevos métodos, por ejemplo, para combinar la química y la biología mediante el aprendizaje profundo.

Parte de la compañía se especializa en la aplicación de métodos existentes, como GAN, y en mejorar la capacitación sobre problemas existentes en química y biología. Estas personas suelen estar del lado aplicado, y conocen tanto la química como la biología. Pueden comunicarse con los matemáticos, así como realizar algunas investigaciones básicas en el campo de la IA.

Por supuesto, solo tenemos biólogos y químicos puros que también son necesarios para probar algunos de los resultados de nuestra IA. Es por eso que tenemos un equipo tan grande, diverso e internacional, porque realmente necesitamos cubrir estas tres áreas: métodos, aplicaciones y validación.

Michael Kriegsman: Tenemos una pregunta interesante de Chris Peterson en Twitter que dice: “Los programas paralelos Fortran basados ​​en la red todavía se utilizan para algunos estudios farmacocinéticos y farmacodinámicos. ¿Ves que la IA reemplaza el código de la vieja escuela, lo mejora o evoluciona en paralelo?

Alexander Zhavoronkov: Creo que ahora debemos movernos en paralelo. Por supuesto, algunos de los métodos más antiguos todavía son utilizados por expertos verdaderamente líderes en el campo del descubrimiento de fármacos. Pero la mayoría de estos métodos son significativamente acelerados por la informática de alto rendimiento y la inteligencia artificial, por lo que este es un software típico que ha existido durante mucho tiempo, por ejemplo, Schrodinger. La empresa existe desde hace 92 años.

La compañía hizo un gran avance en muchas áreas, y pudieron avanzar algoritmos antiguos para resolver problemas muy complejos. Creo que en Insilico estamos tratando de reinventar todo y escribir nuestro propio software. Pero, por supuesto, conocemos a muchos de nuestros empleados a quienes simplemente les gustaría tomar pequeños trozos de nuestro gran salami, que estamos desarrollando, y jugar con ellos. Tal vez están utilizando herramientas más clásicas que no podemos sortear en este momento.

Idealmente, debe tener un transportador de una pieza que identifique objetivos, genere moléculas y las conduzca a través de una gran cantidad de simulaciones en un transportador sin costuras. Esto es lo que estamos construyendo, y este es nuestro Santo Grial. Pero, por supuesto, muchas compañías, muchos grupos están tratando de hacer el juego de Lego y están tratando de usar varias herramientas con diferentes resultados para resolver el mismo problema.

Desarrollo de herramientas de IA dentro de la empresa.

Michael Kriegsman: ¿Por qué estás desarrollando tus propias herramientas?

Alexander Zhavoronkov: Sí, simplemente porque muchos de los métodos que utilizamos son tan nuevos que son incompatibles con herramientas más antiguas. Hay muchos grupos que afirman estar involucrados en inteligencia artificial, pero, de hecho, se dedican a trabajos mecánicos, toman software ya hecho y tratan de cerrar algunas brechas en la investigación y el desarrollo farmacológico utilizando estas herramientas. Nosotros no hacemos esto. Desarrollamos todo desde cero, desde el identificador del objetivo hasta la generación de pequeñas moléculas.

Michael Kriegsman: Ahora hablamos sobre el uso de sus métodos para identificar posibles candidatos. El siguiente paso es evaluar. Primero, debemos liberar las posibilidades, y usted lo hace agregando todos estos datos y luego analizándolos usando varios métodos. Supongamos que lo hiciste. ¿Cómo califica a los candidatos que reveló inicialmente?

Alexander Zhavoronkov: Por lo general, cuando tienes una lista de proteínas objetivo para una enfermedad específica y tratas de priorizar, intentas anotar estas proteínas con el mayor número posible de puntos. Está buscando ver si esta proteína objetivo ha estado involucrada en la toxicidad. ¿Cómo se relaciona esto con todo lo demás? ¿En qué tejido juega un papel importante? ¿Cómo interactúa una proteína con otras proteínas? ¿Es esto una cura? ¿Es un fármaco de molécula pequeña o un anticuerpo? ¿Alguien más ha usado esto? ¿Cuál es el espacio de patente alrededor de la molécula? ¿Alguien ha tratado de llevarlo a la clínica con una molécula pequeña o un anticuerpo para una enfermedad específica?

Hay muchas, muchas, muchas, muchas funciones de evaluación que debe considerar. Al final, cuando básicamente tiene un conjunto muy pequeño de objetivos, también los prueba en varios sistemas biológicos para determinar cuál es el más adecuado para la enfermedad que le interesa.

Daré un ejemplo de la práctica. Por ejemplo, estamos muy interesados ​​en la fibrosis. La fibrosis no es un proceso muy simple de describir, y hay varios tipos de fibrosis. Hay FPI o fibrosis pulmonar. En los pulmones, se observa fibrosis inducida por fumar, además, se observa fibrosis senil. Hemos identificado más de 120 tipos de fibrosis, comparando tejido normal con tejido fibroso asociado con una condición particular.

Recientemente realizamos un estudio de caso en el que analizamos IPF, identificamos una lista de objetivos para esta afección y nuestra lista tenía 50 objetivos. Analizamos cuándo estos objetivos son más activos y más relevantes para la enfermedad, en qué etapa de la enfermedad, porque creo que si comprende esto más adelante o resuelve estos problemas más adelante, tratará los síntomas, no la causa.

En nuestro caso, estamos definiendo una gran lista de objetivos que probablemente sean muy relevantes en las primeras etapas de la progresión de la enfermedad. Luego observamos qué objetivos son nuevos, a qué objetivos no prestó atención la gente. No queremos centrarnos en viejos objetivos. Luego observamos qué objetivos son adecuados para las drogas, en los que podríamos encontrar una molécula pequeña de la biblioteca, o podemos crear una molécula desde cero. Luego observamos qué objetivos se pueden probar en un conjunto particular de ensayos de fibrosis.

Michael Kriegsman: ¿Dónde está la influencia de las tecnologías de inteligencia artificial que utiliza en este proceso?

Alexander Zhavoronkov: Por lo general, para calcular los puntos de la evaluación del resultado. Distribuyes varios puntos para los objetivos. En nuestro caso, el objetivo tiene más de 50 puntos. Determinamos si ha estado involucrado en cierto estado antes, si interactúa con otras proteínas de cierta manera y si esto puede conducir a toxicidad. Los predictores que básicamente le dan una evaluación de este tipo y la probabilidad de que este objetivo sea el más relevante son profundamente estudiados y desarrollados por varias organizaciones. Desarrollamos nuestros predictores utilizando el aprendizaje automático.

Academia vs industria

Michael Kriegsman: Tenemos otra pregunta interesante de Twitter de Shreya Amin. Ella escribe: "¿En qué se diferencian los tipos de investigación que describió y los procesos entre la academia y la industria?"

Alexander Zhavoronkov: Esta es una muy, muy buena pregunta. En la industria, en grandes productos farmacéuticos, las personas son un poco menos emprendedoras. Están tratando de desarrollar varios métodos para realmente resolver el problema y hacer cambios graduales. Sus métodos no están destinados a su publicación en una revista científica.

En la academia, las personas son mucho más ingeniosas y emprendedoras. Están tratando de publicar los resultados. Aquí es de donde viene la innovación en primer lugar.

En Insilico, estamos entre la ciencia y la industria, por lo que publicamos aproximadamente dos artículos científicos al mes. Esto es incluso suficiente para que algunos grupos académicos también prueben el concepto y expliquen hacia dónde vamos.

Los académicos, creo, son mucho más productivos en estos días, ya sea desarrollando nuevos métodos y mostrando nuevas direcciones. Sin embargo, la brecha entre los científicos informáticos realmente buenos que están desarrollando nuevos métodos que pueden ser relevantes para el descubrimiento de fármacos está muy a menudo muy lejos de la biología y la química.Producen artículos que son realmente buenos en términos de aprendizaje automático, pero los resultados están muy lejos de las aplicaciones reales. Muy a menudo, no entienden realmente que están reequipados en algún lugar o, si este es un resultado completamente irrelevante, que obtienen o obtienen solo después de que alguien lo prueba en biología y química.

Muy a menudo, y actualmente esto es más común, muchas personas publican artículos en el Archivocon un titular pegadizo para que se vuelvan virales y sean elegidos por los navegadores, Google o algunas agencias de noticias. Obtienen reconocimiento y relaciones públicas por este trabajo, pero luego intentas repetir lo que hicieron, o incluso solo lees cuidadosamente el artículo, y entiendes que en el mundo real esto no funcionará. Creo que tales artículos y este tipo de esfuerzos, resultados tempranos, especialmente por parte de grupos académicos, sin aprobar una evaluación experta, también introdujeron un gran escepticismo en las grandes farmacias. La gente simplemente no piensa que muchos métodos son relevantes, aplicables o transforman su negocio.

Construyendo un equipo para inteligencia artificial y biotecnología

Michael Kriegsman: Hablemos sobre el aspecto del trabajo en equipo, porque una de las cosas que mencionó un par de veces es la importancia del aprendizaje automático y la biología. Estas son habilidades muy especializadas, y ¿cómo se crean equipos que permiten que ambas partes trabajen juntas y creen algo que uno u otro no pueden hacer solos?

Alexander Zhavoronkov: Esta es otra muy buena pregunta. En nuestro caso, esta es una de las razones por las que estamos creciendo tan lentamente. Llevamos trabajando 5 años, pero aún somos 66 personas. Una razón para este crecimiento lento y orgánico es que lleva tiempo combinar verdaderamente a los científicos de IA con biólogos y químicos. Es muy difícil encontrar personas que sean buenas en ambos casos al mismo tiempo. Por lo general, está bien versado en matemáticas o química, o realmente necesita tener buenas habilidades de programación para poder crear una API y combinar adecuadamente su tecnología con la de otra persona.

Intentamos trabajar en grupos de tres o cuatro personas en proyectos terapéuticos específicos en los que una persona conoce bien la química o la biología, una persona es buena en inteligencia artificial y la otra solo en informática básica. Estos son principalmente equipos de tres o cuatro personas. Además de ellos, existe una infraestructura, una infraestructura organizacional que ayuda a administrar estos equipos. También separamos al equipo de inteligencia artificial de todos los demás para que pudieran trabajar en métodos sin entrar en el campo de la aplicación.

Obtener ese tipo de talentos que realmente desean contribuir al desarrollo de métodos y desarrollar nuevos algoritmos es muy, muy difícil. Conseguir personas que sean buenas para aplicar métodos ya desarrollados es bastante simple. Hacer que dos trabajen juntos es muy difícil. Para hacer esto, nuevamente intentamos lograr un crecimiento orgánico y trabajar en proyectos en pequeños equipos.

Modelo de negocio Insilico

Michael Kriegsman: En realidad, tenemos una pregunta en Twitter sobre su modelo de negocio. Chris Peterson hace preguntas maravillosas. Muchas gracias Chris. Él pregunta: "¿Has firmado un acuerdo para buscar una terapia específica o estás desarrollando moléculas desde cero y esperas licenciarlas para ensayos clínicos a través de la distribución?"

Alexander Zhavoronkov: Llevamos cinco años trabajando y hemos estudiado varios modelos de negocio. Como empresa de inteligencia artificial, debe investigarlo, porque de lo contrario es muy, muy difícil de escalar en un modelo de negocio, y también es bastante arriesgado.

Comenzamos como una compañía de servicios, y comenzamos a trabajar con compañías farmacéuticas, con compañías de biotecnología, así como con fondos de riesgo, donde brindamos servicios o proporcionamos un sistema para ellos. Estudiamos las aplicaciones que la gente busca y comenzamos a desarrollar nuestras propias moléculas pequeñas, descubrirlas y luego licenciarlas.

Nuestro modelo de negocio actual es realmente muy simple y nos permite escalar. Trabajamos con empresas de capital de riesgo que realmente conocen el negocio de la biotecnología y participan en el desarrollo de medicamentos. Nos dirigen a donde necesitamos identificar objetivos y generar moléculas pequeñas. Luego forman equipos alrededor de estas pequeñas moléculas y sus objetivos y les permiten probar y desarrollar asociaciones de estas moléculas objetivo un poco más.

Lo que obtenemos es un pequeño pago inicial, y luego recibimos pagos provisionales a medida que las moléculas pasan por los diversos pasos de verificación. Entonces obtenemos regalías. Por lo general, si está considerando un BioBox o un ingreso futuro que puede obtenerse de una molécula, estas transacciones son muy, muy sustanciales, pero el pago inicial es bastante pequeño.

Es por eso que tenemos otro negocio que se ocupa de las licencias de software, donde otorgamos licencias de algunas de nuestras herramientas de software a otros para generar algunos ingresos y garantizar la sostenibilidad, la coherencia y la retroalimentación sobre qué tan bien funciona el software; si necesitamos agregar más funciones.

Otro modelo de negocio: tenemos varios sitios conjuntos. Por ejemplo, una empresa conjunta con una empresa llamada Juvenessence. Desarrollan las moléculas que les proporcionamos.

Michael Kriegsman: Bueno, tienes varias cosas en las que estás trabajando y tratando de apoyar tus modelos de negocio.

Alexander Zhavoronkov: Eso es correcto. Pero lo que más nos interesa no es el ingreso directo. En la mayoría de estos acuerdos de licencia, obtenemos algunos datos. En gran medida, nos hemos convertido en una de las fábricas de datos más grandes del mundo, recibiendo datos de experimentos preclínicos.

Michael Kriegsman:Esto es interesante Tenemos otra pregunta de Twitter de @TrovatoChristian. Es ingeniero biomédico y doctor en filosofía, estudiante de biología computacional en el departamento de informática de Oxford. Por cierto, es muy interesante para mí que la biología computacional pertenezca a la sección de ciencias de la computación, y no a la sección de biología. Su pregunta: "¿Hay ejemplos de medicamentos desarrollados solo por IA?"

Alexander Zhavoronkov:Actualmente no hay tal ejemplo. Siempre hay una persona entre la IA y la medicina. Espero que en un futuro muy cercano podamos demostrar que un canal en el que no participó una sola persona desde la identificación del objetivo hasta la generación de moléculas pequeñas podría abrir algunas de estas moléculas. Pero en este momento, el experimento es el rey entre los métodos de descubrimiento y desarrollo de drogas. Entonces, si no puede probar sus métodos experimentalmente, no avanzarán. Nunca he visto un ejemplo de una molécula que se genere completamente usando IA.

Michael Kriegsman: ¿Qué impide el uso de IA de principio a fin?

Alexander Zhavoronkov:Bueno, debido a fallas en la farmacia, en general. Hay muy, muy pocas historias de éxito para aprender. Estas historias de éxito son muy, muy diversas. En algunas áreas, es fácil verificar si su algoritmo da un resultado significativo. Pero en muchos casos, realmente necesita ir y verificar todo en cada paso del camino. Es por eso que cuando crea este salami que le permite ir de principio a fin, debe asegurarse de revisar cada pieza de salami y revisarlo dentro, y también verificarlo con socios externos. Esto es lo que estamos tratando de hacer.

Michael Kriegsman: Es posible que ya existan métodos para desarrollar medicamentos contra la IA, pero en esta etapa parece que es demasiado pronto para usar dichos métodos.

Alexander Zhavoronkov:En esta etapa, nadie trató de virtualizar el descubrimiento de drogas completamente usando IA y hacerlo sin intervención humana. En muchas áreas, esto es prácticamente imposible solo porque la biología y la medicina son tan diversas que es muy, muy difícil encontrar una solución que se adapte a todos. Se requiere validación en cada etapa, y por el momento, estos a través de transportadores solo funcionarán en ciertas condiciones terapéuticas.

Michael Kriegsman:Déjame hacerte otra pregunta de Twitter. Esto es nuevamente de Shreya Amin, una gran pregunta, interesante. Ella escribe: "Utilizando los métodos existentes de inteligencia artificial, qué áreas en términos de tipos de drogas, enfermedades, afecciones, etc. están más cercanas a los avances o han logrado el mayor progreso, y ¿qué es lo más difícil en este proceso?"

Alexander Zhavoronkov: Le daré un ejemplo con el que estoy muy, muy familiarizado. Tenemos varios inhibidores de JAK que están completamente desarrollados usando GAN y aprendizaje de refuerzo. Creo que este es uno de los métodos más prometedores para el diseño molecular de novo.

Actualmente estamos en la etapa de prueba en ratones, hemos pasado del análisis de enzimas a los ratones y hemos demostrado que ahora podemos lograr selectividad, especificidad con estas moléculas, y estas moléculas tienen muchas otras propiedades. Estos son métodos bastante comunes en nuestro tiempo, tanto la GAN que utilizamos como la técnica de aprendizaje reforzada. Esto no es algo súper nuevo, por lo que realmente cambiamos nuestra investigación y desarrollo en una dirección ligeramente diferente.

Michael Kriegsman: ¿Cómo se desarrollará todo esto en el próximo, no sé, tres, cuatro años, dos o cuatro años? No salgamos por una docena de años. En los próximos años, ¿cómo se verá todo?

Alexander Zhavoronkov:Creo que compañías como la nuestra prestarán mucha más atención a su investigación y desarrollo internos, en lugar de colaborar con grandes compañías farmacéuticas, porque trabajar con grandes compañías farmacéuticas generalmente es el camino a la nada, porque esta es la muerte de la empresa en la etapa inicial, o simplemente toman su experiencia y se ponen al día. Pero al mismo tiempo, son tan burocráticos que son muy difíciles de cambiar, y al mismo tiempo, a nivel de los CEO, las grandes compañías farmacéuticas están más enfocadas en aumentar las ventas o comprar otras compañías para aumentar las ventas. La investigación y el desarrollo internos no se consideran realmente una gran prioridad, y no importa lo que piensen, es un hecho. Por lo general, debe ser del 15-20% en el estado de resultados,porque de lo contrario los inversores no van a invertir en la empresa. Pero el rendimiento de estas investigaciones y desarrollos internos suele ser muy bajo.

Creo que las compañías de biotecnología más pequeñas que usan IA y virtualización de descubrimiento de fármacos tendrán mucho éxito. Hay algunos casos que admiro en la industria, como Nimbus Therapeutics . Pudieron virtualizar todo el proceso de búsqueda y desarrollo de medicamentos, sacar al mercado algunos de los activos de la segunda fase y licenciarlos.

Creo que las personas que realmente entiendan el proceso y puedan virtualizarlo serán los ganadores. Hasta ahora, conozco varias compañías que hacen esto, por lo que algunas compañías trabajan con nosotros. Algunos están en modo sigiloso. Creo que serán ganadores en el futuro.

Cuando se habla del descubrimiento de drogas en dos o tres años, en realidad es muy, muy poco tiempo. En muchas otras áreas del desarrollo humano, si me pides que planifique con cinco años de anticipación, no puedo, porque todo cambia muy rápidamente. En farmacia esto no es así. Realmente necesitamos experimentar y hacerlo bien.

Investigación sobre longevidad y tabaquismo

Michael Kriegsman: ¿ Cuéntanos brevemente sobre el último estudio que realizaste sobre la longevidad o el tabaquismo? Sé que no tenemos tiempo, pero sería genial saberlo.

Alexander Zhavoronkov: Por supuesto. Acabamos de publicar un artículo muy divertido que muestra que fumar acelera el envejecimiento. Un área en la que nos enfocamos es la predicción de la edad utilizando varios tipos de datos, como imágenes, análisis de sangre, datos de transcriptomas, datos proteómicos, datos de microbiomas. Utilizamos estos datos para predecir con precisión la edad de una persona, y luego veremos qué intervenciones o cambios en el comportamiento, qué estilo de vida hace que una persona parezca más joven o más vieja.

Hemos realizado este proyecto en Canadá. Trabajamos con la Universidad de Lethbridge y el Gobierno de Alberta para procesar un gran conjunto de datos de fumadores y no fumadores de diferentes edades, estudiando solo análisis de sangre anónimos. En primer lugar, creamos un predictor del tabaquismo, por lo que ahora puedo decir con suficiente confianza si fuma o no mediante un análisis de sangre, pero también demostramos que las personas que fuman parecen mayores que los no fumadores en función del uso de una red neuronal profunda capacitado en análisis de sangre.

Después de que publicamos el artículo, se volvió bastante viral y recibimos críticas muy positivas. Por ejemplo, mi hija piensa en dejar de fumar solo porque no quiere parecer vieja. A las personas realmente no les importa su salud, pero realmente les importa cómo se ven. Si no quiere parecer viejo, simplemente deje de fumar.

Michael Kriegsman: Bien. Gran consejo Alexander, muchas gracias por tomarte el tiempo de hablar con nosotros. Que tengas un buen día. Cuídate. Adios adios

El original