Una nueva tecnología de inteligencia artificial (IA) ha arrojado luz sobre el desarrollo de medicamentos. “Recientemente se ha logrado un progreso prometedor en el uso de la inteligencia artificial para el diseño de fármacos”, ha declarado Jianzhu Ma, especialista y profesor asociado de inteligencia artificial en la Universidad de Pekín.
Sin embargo, el investigador ha dicho que todavía están lejos de estar seguros de que estos primeros resultados puedan traducirse en medicamentos más efectivos con una alta tasa de éxito. No obstante, ha asegurado que “aprovechar el valor de los datos es la clave para construir una IA exitosa para el desarrollo de medicamentos".
En este sentido, los investigadores han indicado que la principal limitación del desarrollo de fármacos asistido por IA convencional es su paradigma lineal. Sin retroalimentación continua de los resultados experimentales posteriores, el paso anterior de la predicción del modelo de IA es solo una "conjetura informada".
Los investigadores han indicado que la principal limitación del desarrollo de fármacos asistido por IA convencional es su paradigma lineal
Si bien un subdominio de la IA, el aprendizaje activo, crea un ciclo de retroalimentación interactivo entre el modelado de la IA y la evaluación experimental posterior, lo que puede aumentar el resultado general. Además, la “caja negra” detrás de los modelos de IA convencionales obstaculiza el acceso de los científicos a la hipótesis y la lógica que utiliza el algoritmo para la extracción de datos.
Sin embargo, la lógica interna detrás de una predicción en el proceso de desarrollo de fármacos es crucial para diseñar una molécula correcta. Por lo tanto, los autores sugirieron que “el modelo de IA debería revelar cómo alcanza una predicción particular, en función de qué moléculas de entrenamiento”. Según los autores, la IA explicable es una dirección activa en la comunidad de aprendizaje automático.
“El desarrollo de fármacos basados en IA de la próxima década contará con la estrecha integración de datos y computación, donde la IA interpretable y la biología experimental forman un ciclo de aprendizaje activo y se informan mutuamente con retroalimentación”, ha subrayado Ma, insistiendo en que "mejorará iterativamente el flujo de trabajo y generará información interpretable que los científicos pueden monitorear, analizar y comprender para cada etapa del desarrollo de fármacos".