IA biomédica · us
Cuando la capacidad de cómputo entra en el laboratorio farmacéutico: Bristol Myers Squibb apuesta por una supercomputadora de IA de nueva generación
Ocho sistemas Vera Rubin integrarán el diseño molecular, la evaluación de dianas y el entrenamiento de modelos en un mismo entorno informático; pero un espacio de búsqueda más amplio para fármacos candidatos sigue sin equivaler a una mayor tasa de éxito clínico.
El cuello de botella en el desarrollo de fármacos no suele ser la falta de moléculas que puedan probarse, sino cómo seleccionar, entre opciones prácticamente ilimitadas, los pocos candidatos que más vale la pena llevar al laboratorio. Bristol Myers Squibb (BMS) apuesta ahora parte de la respuesta a una capacidad de cómputo a mayor escala: la empresa desplegará un segundo NVIDIA DGX SuperPOD con el objetivo de hacer que la IA pase de ser una herramienta de investigación individual a convertirse en una infraestructura compartida que conecte el proceso de descubrimiento de fármacos.
El nuevo sistema estará compuesto por ocho unidades DGX Vera Rubin NVL72 y se integrará con el SuperPOD que BMS ya tiene para formar un entorno único accesible desde sus centros de investigación en distintas ubicaciones. Según las dos empresas, esta arquitectura puede ofrecer un rendimiento por megavatio de hasta 10 veces el de los equipos que sustituye, por lo que podrá ejecutar modelos fundacionales biomédicos de mayor tamaño, tareas predictivas y flujos de trabajo con agentes de IA sin que el consumo energético aumente en la misma proporción. Se trata de una afirmación sobre el rendimiento de la arquitectura formulada por el proveedor y el comprador, no de un resultado comparativo de productividad en el desarrollo de fármacos.
Los usos concretos se concentran en las primeras fases de la toma de decisiones de I+D. BMS planea entrenar modelos propios con los datos internos acumulados durante décadas y utilizar, cuando sea necesario, las herramientas NVIDIA BioNeMo para que el sistema ayude a organizar la evidencia sobre dianas, predecir propiedades moleculares, diseñar estructuras candidatas y poner a prueba hipótesis de investigación. El enfoque denominado «Predict First» consiste en usar primero modelos para descartar los diseños que no cumplen múltiples criterios y decidir después qué moléculas merece la pena sintetizar y llevar a experimentos de laboratorio húmedo; los agentes de IA, por su parte, pueden encargarse de búsquedas en distintas bases de datos y análisis repetitivos, dejando a los investigadores más tiempo para interpretar los resultados y decidir entre distintas opciones experimentales.
BMS afirma que la IA ya se utiliza en todos sus programas de moléculas pequeñas y en la mayoría de los programas de moléculas grandes; la automatización de la identificación y validación de dianas puede ahorrar varias semanas de trabajo manual. Reuters citó al director de I+D de la empresa, Robert Plenge, quien señaló que la IA permite a los equipos evaluar decenas de fármacos candidatos en las primeras fases, frente a aproximadamente 10 anteriormente, y que ya ha reducido entre un 20% y un 30% el tiempo de desarrollo de algunos medicamentos que han entrado en ensayos clínicos. Estas cifras proceden de la experiencia interna de la empresa; el informe no ofreció la base de cálculo, un grupo de control, el número de programas incluidos ni datos de validación revisados por pares.
Una mayor capacidad de cómputo tampoco puede sustituir la evidencia biológica y clínica. Los modelos pueden clasificar moléculas, pero la eficacia, la toxicidad y las poblaciones adecuadas aún deben confirmarse mediante ensayos en células, animales y seres humanos; si los datos de entrenamiento contienen sesgos, lagunas o condiciones experimentales no comparables, los modelos también pueden amplificar los errores existentes. Cuando los análisis generados por IA intervienen en la selección de fármacos candidatos y el desarrollo clínico, las empresas también deben establecer mecanismos de trazabilidad de las fuentes de datos, gestión de versiones de los modelos, reproducción de resultados y revisión humana para responder a auditorías de calidad e inspecciones regulatorias.
Esta inversión prolonga la colaboración de casi tres años entre BMS y NVIDIA y también refleja que las grandes farmacéuticas consideran la capacidad de cómputo propia para IA como parte de la competencia en I+D; Roche y Eli Lilly también han anunciado recientemente planes de infraestructura de NVIDIA. Sin embargo, BMS no ha revelado el importe de la adquisición, el calendario de implementación ni indicadores cuantitativos del éxito de la I+D. La verdadera prueba no es cuántas predicciones puede generar el sistema, sino si puede descartar de forma continua hipótesis erróneas en condiciones auditables y aumentar la probabilidad de que los fármacos candidatos finales superen la validación clínica.