¿El aprendizaje automático ha logrado mejoras tangibles en la eficacia del descubrimiento de fármacos?

Sé un poco de ambos, pero no sé detalles, por lo que esto será una buena cantidad de especulaciones educadas de mi parte.

¡Machine Learning (ML) no es una bala mágica! Para tener un buen modelo, necesitas:

1. muchos datos bien etiquetados
2. muchas buenas características asociadas con los datos
3. un algoritmo ML bien elegido para ejecutarse en las dos primeras entradas

Desafortunadamente, muchas personas, especialmente el observador causal, le dan toda la gloria al # 3 y la aparente magia que puede lograr. El trabajo duro está en realidad en el n. ° 1 y n. ° 2.

Lamentablemente, no es tan simple:

1. Los conjuntos de entrenamiento son extremadamente desequilibrados . Todos los medicamentos candidatos virtuales se etiquetarán como 0 (no es bueno). Eso significa que muchos algoritmos de ML dirán “todos los fármacos candidatos son inútiles” con una precisión del 99.999%, lo cual es cierto pero inútil. Es extremadamente difícil lidiar con conjuntos de entrenamiento desequilibrados y esto es mucho peor que la mayoría de los casos. Por supuesto, no desea compartir sus datos con sus competidores …
2. Las proteínas son grandes. Puede intentar codificar todos los átomos en la proteína que podrían estar relacionados con el sitio activo. Esto es casi demasiados datos, pero no es muy útil.
3. Los candidatos a drogas tienen una gran cantidad de permutaciones . Esos deben ser modelados e ingresados.
4. Las interacciones atómicas necesitan ser modeladas. Esto es enloquecedoramente complejo.
5. Las interacciones farmacológicas entre diferentes partes del cuerpo son enloquecedoramente complicadas. El medicamento puede tener efectos secundarios en diferentes partes del cuerpo, a menudo negativos.

Entonces, supongo (ya que no tengo conocimiento directo) es que ML probablemente no va a ayudar mucho.

¡Me encantaría estar equivocado en esto!

En las industrias farmacéutica y biotecnológica, se genera una enorme cantidad de datos y solo una pequeña fracción de esos datos se procesa para la investigación de biomarcadores, el descubrimiento de fármacos y los ensayos clínicos. Existen múltiples mejoras que son tangibles para la eficacia del descubrimiento de fármacos, incluida la llegada de la medicina personalizada y los procesos de descubrimiento de fármacos totalmente automatizados e integrados por IA para la investigación rápida.

La combinación de la investigación de descubrimiento de drogas con el aprendizaje automático, una parte integral de la Inteligencia Artificial (IA), ha creado una variedad de nuevas empresas recientes de Descubrimiento e Investigación de Drogas basadas en IA, que buscan ayudar a los investigadores a disminuir su tiempo de investigación y ahorrar fondos para más estudios a largo plazo. Una compañía es un grupo de descubrimiento de medicamentos impulsado por IA que aprovecha su plataforma computacional avanzada para identificar rápidamente candidatos prometedores de medicamentos, validándolos a través de ensayos preclínicos y ensayos clínicos de manera eficiente, a diferencia de los métodos tradicionales de descubrimiento y desarrollo.

Otra compañía está utilizando Deep Learning y Neural Networks para ayudar a descubrir nuevos medicamentos más rápido que nunca, y tiene la capacidad de predecir los candidatos a fármacos mediante el descubrimiento de nuevos éxitos de medicamentos, predicciones de afinidad vinculantes y detección de toxicidad con mayor eficiencia y recuperación. Otras compañías están utilizando IA para crear software que puede procesar una gran cantidad de datos experimentales para revelar (en tiempo real) lo que está sucediendo molecularmente dentro del cuerpo, desde la buena salud hasta la enfermedad o afección médica. Finalmente, todas estas funciones de aprendizaje automático conducirán a una mejor comprensión del modelo molecular de cada paciente y allanarán el camino hacia la medicina personalizada para todos. Todas estas nuevas empresas están acelerando el proceso de descubrimiento y diseño de medicamentos de una manera que ofrece resultados tangibles y un verdadero valor para las industrias.

Los beneficios potenciales y a largo plazo de la IA en el descubrimiento de fármacos son un tiempo de comercialización más rápido y una mayor eficiencia en todo el proceso de descubrimiento de fármacos. También significa que la gran cantidad de tiempo, recursos y dinero gastados en estrategias convencionales de descubrimiento de fármacos podrían utilizarse en otras áreas para un mejor retorno de la inversión o nuevas tecnologías.