← Volver al inicio

Los datos no son el destino final: ARPA-H integra su apuesta por la IA en la cadena de validación de la seguridad de los medicamentos y las vacunas de amplio espectro

Dos programas con una financiación máxima conjunta de 329 millones de dólares intentan, respectivamente, anticipar el éxito o fracaso de fármacos candidatos mediante modelos de biología humana y diseñar por métodos computacionales antígenos que abarquen distintas familias virales; el verdadero umbral no reside en cuántas respuestas puedan generar los modelos, sino en si sus predicciones resisten la verificación experimental, clínica y regulatoria.

By SURL BioNews

Los fracasos más costosos en el desarrollo de medicamentos a menudo no se deben a la imposibilidad de encontrar moléculas candidatas, sino a descubrir solo en fases tardías que no son eficaces o seguras en seres humanos. El diseño de vacunas afronta un problema similar: dada la gran diversidad de virus, perseguirlos uno por uno es lento y dificulta lograr una protección amplia. La Agencia de Proyectos de Investigación Avanzada para la Salud de Estados Unidos (ARPA-H) ha presentado recientemente una síntesis de su estrategia de inteligencia artificial biomédica, centrada en estos dos problemas que pueden verificarse mediante resultados experimentales y clínicos, en lugar de limitarse a afirmar de forma general que la IA acelera la investigación y el desarrollo.

El programa CATALYST dispone de un límite máximo total de financiación de 125 millones de dólares durante cuatro años y medio para apoyar a equipos que desarrollen modelos de biología humana impulsados por inteligencia artificial y aprendizaje automático. El objetivo es predecir la seguridad y eficacia de los fármacos candidatos antes de que entren en costosas fases clínicas, así como abordar la farmacocinética —cómo entran, se distribuyen y se eliminan del organismo— y la farmacodinámica —cómo la concentración del fármaco se traduce en efectos biológicos—.

No se trata simplemente de entrenar un modelo general con más artículos o datos. Según ARPA-H, los modelos se probarán en situaciones del mundo real y se incorporarán las opiniones de los organismos reguladores y los desarrolladores de medicamentos. Entre los participantes se encuentran Draper, Deep Origin, Inductive Bio, Jackson Laboratory, Cedars-Sinai, Peptilogics, la Universidad de Carolina del Norte en Chapel Hill y Black Mesa Technology. Para determinar si el programa puede cambiar la toma de decisiones, serán fundamentales la validación externa con distintas fuentes de datos y en diferentes contextos de enfermedad, así como que la incertidumbre de los modelos pueda ser comprendida y rastreada adecuadamente por los evaluadores.

Otro programa, APECx, compromete hasta 204 millones de dólares para crear herramientas computacionales de diseño de vacunas multivirus. Los equipos conectarán modelos predictivos, aprendizaje automático, ingeniería de proteínas y diseño de antígenos con el desarrollo de candidatos y la evaluación clínica. La investigación abarca herpesvirus, flavivirus y alfavirus, mientras que la Universidad de Texas A&M se encargará de integrar los datos y las herramientas entre los distintos equipos. Su visión a largo plazo es diseñar antígenos capaces de abarcar familias virales completas, de modo que una vacuna no tenga que combatir únicamente un solo virus.

Sin embargo, un antígeno que parece ideal desde el punto de vista computacional no necesariamente induce en seres humanos una protección inmunitaria suficiente, duradera y exenta de reacciones imprevistas. Del mismo modo, un modelo capaz de ajustarse a los datos existentes sobre medicamentos no tiene por qué predecir con precisión mecanismos de acción completamente nuevos. Ambos programas deben salvar la brecha entre «proponer respuestas candidatas» y «demostrar que las respuestas son utilizables». Por ello, las señales posteriores más importantes serán la validación prospectiva, las comparaciones ciegas con los métodos actuales y la forma en que las evaluaciones clínicas aborden las diferencias entre poblaciones y los sesgos de los datos.

La estrategia de ARPA-H también considera que la infraestructura de datos forma parte de la misma cadena de traslación. La agencia ha destinado además 50 millones de dólares a impulsar PCX, una red pediátrica de datos y conocimiento que comenzará por el cáncer cerebral infantil y prevé conectar más de 200 hospitales y centros asistenciales. Sus objetivos técnicos incluyen la interoperabilidad estandarizada, la conversión automática de historias clínicas no estructuradas en datos analizables, el acceso con protección de la privacidad y el análisis casi en tiempo real. Una demostración previa en dos hospitales ya armonizó y mapeó más del 90 % de los datos clínicos no estructurados, de las historias clínicas electrónicas y de los datos genéticos, pero la calidad, la gobernanza y la representatividad de los datos tras la expansión nacional aún deberán someterse a pruebas prácticas.

Consideradas en conjunto, las tres inversiones muestran que ARPA-H no apuesta únicamente por modelos de mayor tamaño, sino que intenta construir un sistema continuo que abarque desde la organización de los datos y el diseño de candidatos hasta la predicción de resultados en seres humanos. Para que esta estrategia acorte realmente los ciclos de investigación y desarrollo, todavía deberá demostrar que los resultados de la IA pueden reproducirse con datos independientes, en experimentos de laboratorio y en decisiones clínicas, y que pueden constituir evidencia comprensible y auditable para los organismos reguladores. Hasta que aparezcan esos resultados, las cantidades invertidas y los planes tecnológicos representan una dirección de investigación y desarrollo de alto riesgo, no resultados médicos ya demostrados.

References

  1. ARPA-H
  2. ARPA-H
  3. ARPA-H
  4. ARPA-H