Recientemente, Stéphane Bancel, CEO de Moderna, expresó su entusiasmo por el acuerdo firmado con OpenAI declarando que este permitiría a la empresa «reinventar todos los procesos de negocio, desde las áreas de investigación y desarrollo hasta las funciones comerciales, legales e industriales». Dos meses después del acuerdo ya se han integrado más de 200 GPTs en los flujos de trabajo. Incluso el departamento legal está siendo muy activo encontrando casos de uso. Por ejemplo, creando resúmenes de la información relevante contenida en extensos contratos.
El caso de Moderna demuestra que la industria farmacéutica por fin está despertando a la transformación digital. Un sector conservador donde tanto las decisiones como las inversiones son a largo plazo. En promedio, se tardan diez años desde que se identifica una molécula con potencial hasta que finalmente se comercializa. Esto hace que la inversión acumulada necesaria para lanzar un medicamento alcance en media 2.300 millones de dólares. Es más, durante la última década esta cifra ha venido aumentando según recoge una serie histórica elaborada por Deloitte.
El aumento sostenido de los costes se debe a la necesidad de tratar enfermedades cada vez más complejas, como el Alzheimer, pero manteniendo una forma de trabajo poco automatizada donde persisten procesos en papel. Por ejemplo, para encontrar candidatos en los ensayos clínicos, todavía se envían cuestionarios a hospitales de todo el mundo para que los médicos rellenen manualmente.
Aunque los ensayos clínicos acumulan la mayor parte de la inversión necesaria, también hay espacio para mejorar en la etapa de investigación y desarrollo. Este es un terreno fértil para que la inteligencia artificial genere un gran impacto. Actualmente el proceso para descubrir nuevos medicamentos es muy costoso, son necesarias muchas iteraciones y los avances se producen mediante prueba y error. De hecho, según Deloitte, de cada 10.000 moléculas identificadas, tan solo 10 alcanzan la etapa de ensayo clínico. Debido al bajo ratio de éxito, las farmacéuticas solo pueden dedicar recursos a un número limitado de objetivos terapéuticos. En este sentido, Morgan Stanley estima que si la industria fuera más efectiva en esta fase, ahorrando hasta un 40% del coste de identificar moléculas, se produciría un aumento del 15% en la aprobación de nuevos medicamentos.
Hay una creencia extendida de que los descubrimientos se producen accidentalmente, como el hallazgo de la penicilina, cuando en realidad responden a un proceso bien estructurado. Por ejemplo, el enfoque tradicional se basa en encontrar moléculas pequeñas que sean fáciles de administrar y fabricar. La mayoría de los medicamentos conocidos son, como el ibuprofeno, desarrollados siguiendo esta aproximación. Un método que, si bien da buenos resultados y es efectivo para la población en su conjunto, también tiene el inconveniente de arrastrar efectos secundarios en grupos pequeños de pacientes.
Tradicionalmente un desafío para descubrir nuevos medicamentos ha sido el tiempo y los recursos necesarios, tanto para conocer la estructura tridimensional de las moléculas, como su posterior “afinidad” con el objetivo terapéutico. Sin embargo, en 2021, DeepMind sorprendió a la comunidad científica publicando una base de datos con la estructura de 200 millones de proteínas. Actualmente, la empresa ha alcanzado un nuevo hito al predecir, no solo su estructura, sino cómo interactúan con otras moléculas. Con este logro, Demis Hassabis, CEO de DeepMind, cree que “se puede reducir hasta un 50% el tiempo de descubrir nuevas moléculas”. De hecho, la empresa planea comercializar sus capacidades predictivas a través de una spin-off, Isomorphic Labs. Este año ya ha firmado dos colaboraciones estratégicas con las farmacéuticas Novartis y Lilly por valor de 3.000 millones de dólares. El objetivo en ambos casos está centrado en encontrar moléculas pequeñas para alcanzar múltiples objetivos terapéuticos.
Además de moléculas pequeñas, las farmacéuticas también buscan descubrir otras más grandes y complejas a partir de organismos vivos. Por ejemplo, inoculando un antígeno en ratones para que generen anticuerpos, que más tarde se extraen y analizan para desarrollar un medicamento. Un reto de esta aproximación es que no existe control sobre cómo el ratón genera los anticuerpos, y por tanto es necesario un proceso de optimización de estos para aumentar la efectividad sobre el objetivo terapéutico.
Optimizar es costoso en tiempo y recursos, lo que ha creado una oportunidad de mercado para nuevos entrantes como Absci. En palabras de su CEO, Sean McClain, se necesita un cambio de paradigma para “pasar del descubrimiento al diseño de moléculas con las características deseadas”. Para esta startup, la clave es obtener un gran volumen de datos de calidad sin depender de las bases de datos de anticuerpos existentes. Aquí es donde entra en juego la inteligencia artificial, que no solo es capaz de crear millones de moléculas candidatas a partir de una pequeña muestra, sino también de probar su “afinidad” mediante simulaciones. Finalmente, las moléculas candidatas se validan en el laboratorio sin necesidad de tener que llevar a cabo el costoso proceso de optimización. La mayor parte del proceso de descubrimiento sucede en un ordenador, lo que acelera tiempos y reduce significativamente los costes. Esto ha captado el interés de grandes farmacéuticas como Astra Zeneca, Almirall o Merk con las que Absci ha firmado acuerdos de colaboración.
Isomorphic Lab y Absci son solo dos ejemplos de nuevos entrantes en el mercado decididos a transformar la actividad de investigación y desarrollo. Cada una de ellas tiene su propia aproximación, mientras que la primera está centrada en optimizar moléculas pequeñas, la segunda quiere diseñar anticuerpos más eficaces.
Existen otras startups que utilizan la inteligencia artificial para entender mejor las enfermedades, descubrir nuevos objetivos terapéuticos, diseñar vacunas innovadoras y evaluar la seguridad y toxicidad de moléculas antes de su uso clínico.
Estamos al principio de un cambio de paradigma, y todavía es difícil saber hasta qué punto son efectivos los nuevos métodos. Según datos preliminares de un estudio de Boston Consulting Group (BCG), las moléculas descubiertas con inteligencia artificial están teniendo una tasa de éxito mayor en ensayos clínicos, que aquellas seleccionadas mediante métodos tradicionales. Quizá sea esto lo que ha desatado la euforia entre los inversores, tal y como evidencia el reciente lanzamiento de Xaira Therapeutics, que ha recibido una inversión de 1.000 millones de dólares.
La inteligencia artificial está aprendiendo el lenguaje de la vida y, con ello, está revolucionando el descubrimiento de nuevos fármacos. De momento el dinero está llegando, ahora solo falta que cumpla con la promesa de tratar enfermedades más complejas y empiece a salvar vidas.
