← Volver al inicio

La IA avanza en la predicción del riesgo metabólico de fármacos: Inductive Bio gana otra competencia de prueba ciega

La prueba ciega de PXR de OpenADMET devuelve la IA farmacéutica a una pregunta más pragmática: si los modelos pueden detectar, antes de que una molécula entre en experimentos costosos, los riesgos metabólicos que podrían lastrar a un candidato a fármaco.

By SURL BioNews

El fracaso en el desarrollo de fármacos a menudo no se debe a que una molécula carezca por completo de eficacia, sino a que su absorción, metabolismo o seguridad en el cuerpo humano no se comportan como se esperaba. Esta es también la razón por la que la IA farmacéutica ha pasado gradualmente en los últimos años de “diseñar nuevas moléculas” a “predecir riesgos de desarrollo”: si las estructuras de alto riesgo pueden descartarse antes, podrían evitarse muchos desvíos costosos.

Inductive Bio anunció el 14 de julio que su modelo de IA obtuvo el primer lugar en el PXR Blind Challenge organizado por OpenADMET. Tanto la página de noticias de la compañía como su sitio web señalan que esta prueba ciega atrajo a más de 350 participantes, incluidos grandes laboratorios farmacéuticos, empresas biotecnológicas, instituciones académicas y comunidades de investigación en IA; Inductive Bio también afirmó que esta es la tercera vez consecutiva que la compañía gana en pruebas comparativas de descubrimiento de fármacos con IA.

El foco de esta competencia, PXR, se refiere al pregnane X receptor. Es un receptor nuclear importante que regula múltiples enzimas metabolizadoras de fármacos y proteínas transportadoras; si un candidato a fármaco induce la actividad de PXR, podría modificar la exposición en el organismo del propio fármaco o de medicamentos administrados conjuntamente, lo que a su vez podría generar interacciones farmacológicas, eficacia insuficiente o preocupaciones de seguridad. Por tanto, la inducción de PXR no es un problema algorítmico abstracto, sino un riesgo ADMET común y con implicaciones de costo en el desarrollo de fármacos.

Según la información pública de Inductive Bio, el modelo ganador se denomina Beacon o Beacon-1, y su objetivo es ayudar a los equipos de investigación a predecir las responsabilidades ADMET de las moléculas antes de que los datos experimentales se desplieguen por completo. El valor de una prueba ciega reside en que los participantes no pueden ver las respuestas de antemano, y el modelo debe rendir sobre datos no publicados; esto se acerca más al juicio sobre nuevas moléculas que se enfrenta a diario en el descubrimiento de fármacos que una simple revisión retrospectiva de bases de datos existentes.

Sin embargo, este tipo de pruebas comparativas sigue teniendo límites claros. La información pública no proporciona la composición completa del conjunto de datos, los detalles de puntuación, la distribución de errores del modelo ni las diferencias de desempeño entre distintos esqueletos químicos; el primer lugar significa que el modelo ganó bajo una tarea y unas reglas específicas, pero no equivale a poder predecir directamente la seguridad clínica, ni puede sustituir la cadena de evidencia requerida por los experimentos in vitro, los estudios en animales y la supervisión regulatoria posterior.

Contexto

La industria de la IA farmacéutica no solo compite últimamente por la velocidad de generación de moléculas, sino que también presta cada vez más atención a si los modelos pueden ser adoptados de forma práctica en los flujos de trabajo de las farmacéuticas. En comparación con las grandes narrativas de plataforma, una prueba ciega como la de PXR se parece más a una prueba de estrés estrecha y concreta: no responde si la IA puede “inventar fármacos”, sino que examina si la IA puede ofrecer una clasificación fiable en un problema definido, cuantificable y relacionado con el costo del fracaso en el desarrollo.

Para Inductive Bio, los resultados consecutivos en pruebas comparativas ayudan a consolidar su posicionamiento como “laboratorio químico virtual”; para todo el campo, la verdadera prueba está en el siguiente paso. Solo si las predicciones de los modelos pueden traducirse de forma sostenida en decisiones de laboratorio y reducir la síntesis y las pruebas repetidas, la IA pasará de las tablas de clasificación de las competencias a la rutina diaria de las líneas de I+D.

References

  1. Yahoo Finance
  2. Inductive Bio
  3. Inductive Bio