El aprendizaje automático puede acelerar la creación de nuevos medicamentos y descubrir los misterios de las principales enfermedades, dice Daphne Koller, CEO de Insitro.
Hay muchas esperanzas de que la inteligencia artificial pueda ayudar a acelerar el tiempo que lleva fabricar un medicamento y también aumentar la tasa de éxito . Han surgido varias startups para aprovechar esta oportunidad. Pero Insitro es un poco diferente de algunas de estas otras compañías, que dependen más del aprendizaje automático que de la biología.
Por el contrario, Insitro se ha tomado el tiempo para construir un laboratorio de vanguardia, un proyecto costoso y que requiere mucho tiempo. Aún así, tener la misma competencia en ciencias de laboratorio y ciencias de la computación puede ser el boleto ganador. Aunque solo tiene dos años, Insitro ya ha llamado la atención de las compañías farmacéuticas de la vieja guardia. El año pasado, la compañía llegó a un acuerdo con el gigante farmacéutico Gilead para desarrollar herramientas y, con suerte, nuevos objetivos de medicamentos para ayudar a detener la progresión de la enfermedad del hígado graso no alcohólico (NASH). La asociación le dio a Insitro $ 15 millones con el potencial de ganar hasta $ 200 millones por cada objetivo de medicamentos.
Hablé con Koller para analizar lo que su compañía está haciendo de manera diferente y dónde el aprendizaje automático puede marcar la diferencia en el desarrollo y descubrimiento de medicamentos. Esta entrevista ha sido editada para su publicación:
Fast Company: lo que está haciendo es diferente a la mayoría de las compañías farmacéuticas de inteligencia artificial, que están utilizando la base de conocimiento existente de artículos y estudios publicados para llegar a objetivos de drogas. En cambio, ha desarrollado una compañía farmacéutica que usa inteligencia artificial pero que también tiene un laboratorio completo para biólogos. ¿Por qué tomaste este enfoque?
Daphne Koller: El otro modelo es un esfuerzo de inicio mucho más fácil en el sentido de que hay todos estos datos disponibles y puedes ir y recopilarlos. Puede hacerlo con un equipo de personas puramente de ciencia de datos. No necesita construir un laboratorio húmedo, simplemente va y recolecta todos esos datos y los pone en una gran pila, y luego deja que su gente de aprendizaje automático lo haga.
Lo que estamos haciendo es mucho más complicado y ambicioso en varias dimensiones diferentes. Una es que realmente necesitábamos construir un laboratorio de biología de alto rendimiento, que está más allá de la frontera en múltiples niveles. Eso requiere una construcción mucho más costosa. También requiere construir un equipo que realmente no se haya construido antes, que es tomar a algunas personas que están en la vanguardia de su campo, en el lado de la biología, y reunirlas en un solo equipo integrado con algunas personas que están en el vanguardia del aprendizaje automático y la ciencia de datos, y realmente les dice: "hablas idiomas diferentes, pero vas a trabajar juntos como un solo equipo". Y creo que ese es realmente un esfuerzo cultural muy desafiante que la mayoría de las empresas no han estado dispuestos o no han podido realizar.
FC: ¿Por qué haces eso? ¿Cuál es el beneficio de tener una compañía farmacéutica que brinde a biólogos y científicos de datos y expertos en aprendizaje automático la misma posición?
DK: Cuando observa el proceso de descubrimiento de drogas, que, si tiene suerte, es de 15 años de extremo a extremo con un 5% de posibilidades de éxito, hay múltiples bifurcaciones en el camino donde actualmente las personas están tomando decisiones. "¿Voy por el camino A o B o C o D?" Y si tienes suerte, un camino en 99 te llevará al éxito. Si baja por el equivocado, son años y decenas de millones de dólares en gastos desperdiciados. Entonces, ¿qué pasaría si pudiéramos hacer mejores predicciones sobre qué bifurcación tomar?
"PARTE DEL PROBLEMA QUE HA TENIDO EL BIOFARMA ES QUE ES REALMENTE DIFÍCIL FALLAR RÁPIDAMENTE”.
Es más como un modelo a prueba de fallas que Silicon Valley realmente ha sido pionero, pero dentro del contexto de la biología. Creo que parte del problema que ha tenido el biofarma es que es realmente difícil fallar rápidamente. A menudo realiza una inversión de 5-10 años en algo antes de darse cuenta de que no se ve tan bien. Y en ese punto, los costos hundidos son tan grandes que la gente dice: “Oh, está bien. ¿Sabes que? Solo voy a llevar esto a la clínica y esperar lo mejor ”. Creo que esa es una de las razones por las que vemos las tasas de fracaso que vemos es que las personas empujan cosas que probablemente no deberían empujarse porque sienten, en muchos casos correctamente, que no tienen otra opción.
Lo que esperamos poder hacer, porque estamos construyendo estos modelos predictivos, es poder tomar las decisiones más rápido.
La otra parte es que el aprendizaje automático se ha vuelto bastante bueno para hacer predicciones precisas en un amplio espectro de dominios. Hasta ahora no se ha aplicado de manera tan efectiva en las ciencias de la vida en general, y una de las principales razones es la falta de datos de alta calidad que tenemos [en comparación con] la visión por computadora o el procesamiento o la logística del lenguaje natural. Al mismo tiempo, la comunidad de bioingeniería de la biología celular ha inventado en los últimos años un conjunto notable de herramientas que realmente se pueden combinar de maneras únicas e interesantes para generar grandes cantidades de datos que pueden ayudar a alimentar esos algoritmos de aprendizaje automático.
FC: ¿Cuáles son las principales razones por las que las drogas fallan?
DK: Sabemos por las estadísticas que la mayoría de los medicamentos [que entran en los ensayos] fallan debido a la falta de eficacia en la fase dos o la fase tres. Y no es porque la droga no fuera buena. Estaba apuntando al objetivo equivocado. Donde entra el aprendizaje automático es observar de manera integral muchos, muchos atributos diferentes de esas células y decir cuáles de ellas son las más predictivas del resultado clínico humano. Y eso es algo en lo que la gente realmente no es tan buena, porque las células son complejas y hay muchas dimensiones para unir todas esas piezas para detectar lo que a menudo es una señal sutil. No es algo en lo que la gente se destaque.
FC: Entonces, una vez que configura estas aplicaciones, ¿cómo puede usarlas?
DK: puede usar esas aplicaciones de varias maneras. En primer lugar, puede usarlos para identificar objetivos básicamente diciendo: “Oye, ahora sabemos cómo se ve una célula enferma. Ahora sabemos cómo se ve una célula sana ”. ¿Qué sucede si [uso] CRISPR para perturbar la celda para pasar de un estado activo a uno inactivo o viceversa? Bueno, si haces eso, y el fenotipo pasa de un estado poco saludable a un estado saludable, tal vez ese gen sea un buen objetivo para un medicamento.
"LA GENTE PIENSA QUE EL ALZHEIMER ES UNA ENFERMEDAD, CASI CON CERTEZA, ESO NO ES CIERTO".
La otra cosa que permite la plataforma es la segmentación de lo que a menudo es una población de pacientes heterogénea en subconjuntos que son mucho más coherentes. La analogía aquí es pensar en lo que sucedió en la oncología de precisión. Hace unos 15 o 20 años, solíamos pensar en el cáncer de seno como una cosa. Pero luego, cuando comenzamos a obtener más datos moleculares sobre las personas cuyos cánceres eran diferentes, nos dimos cuenta de que había subtipos muy diferentes de cánceres. Hubo lo que se llama los cánceres positivos para HER2 que fueron muy bien dirigidos por Herceptin. Existen los cánceres BRCA-1 que ahora son blanco de los inhibidores de PARP. Y entonces, existen estos subconjuntos que son muy distintos entre sí y ahora son tratados mucho mejor por la terapéutica de precisión.
La gente piensa que el Alzheimer es una enfermedad, casi con certeza, eso no es cierto. La gente piensa que la diabetes tipo dos es una enfermedad, que probablemente tampoco sea cierta. Para estas enfermedades, aún no hemos identificado subtipos. Creemos que al recopilar suficientes datos sobre suficientes genéticas diferentes a nivel molecular, tal vez surjan esos subtipos.
FC: ¿Tiene alguna idea sobre el papel que puede desempeñar el aprendizaje automático para ayudar a encontrar un tratamiento o una vacuna para COVID-19?
DK: Creo que hay oportunidades. En este momento, [la comunidad más grande del cuidado de la salud] está mirando los enfoques de vacunas que han desarrollado diferentes compañías, y los estamos colocando con un montón de proteínas virales y esperando lo mejor. Para predecir la eficacia de la vacuna, las técnicas simplemente no existen y no habrá tiempo suficiente para desarrollarlas. Pero sí creo que hay un trabajo interesante que está sucediendo en el lado terapéutico, donde se ha trabajado más en la aplicación del aprendizaje automático para todo, desde la interpretación de la [expresión génica] celular. Existe la posibilidad de diseñar nuevos medicamentos, nuevas combinaciones de medicamentos e incluso solo la interpretación del estado celular.
NUEVAS FRONTERAS
FC: Estás trabajando con Gilead para comprender mejor la enfermedad del hígado graso no alcohólico (NASH). Lo difícil de la NASH es que solo se puede diagnosticar y monitorear a través de una biopsia hepática, que es brutal para el paciente. Usted ha dicho que ha tenido cierto éxito con las aplicaciones de aprendizaje automático que pueden detectar aspectos de la enfermedad que un ser humano no puede detectar de otra manera, lo que es muy prometedor para cambiar incluso la forma en que los médicos rastrean la enfermedad en las personas. Tengo curiosidad por saber qué otras áreas de la salud humana le interesan.
DK: Sentimos que la neurociencia es un área que está a punto de estallar para comprender finalmente la genética muy compleja de las enfermedades del Sistema Nervioso Central. La necesidad insatisfecha es enorme, y los modelos animales son particularmente intraducibles. Entonces, para algunas enfermedades, podría decir: "Bueno, el modelo animal no es excelente, pero es aceptable". El modelo animal para la depresión, y esto va a sonar surrealista, pero te digo que no lo es, es tomar un mouse y ponerlo en un balde con agua y hacer que nade hasta que se canse y se ahogue. Y si nada más, está menos deprimido. Se llama prueba de natación forzada.
Ahora, si observamos la depresión, es una enfermedad con una heredabilidad genética significativa en la que sabemos que hay cientos de genes que están implicados con vías muy específicas, y cosas que ahora están comenzando a emerger de la genética y de la enfermedad. Análisis celular del tejido cerebral. Nada de eso tiene nada que ver con hacer que un ratón nade más tiempo. Creemos que en cosas como la neurodegeneración y la neuropsiquiatría hay una gran oportunidad para aplicar un conjunto diferente de herramientas. Te garantizo que no serán modelos perfectos de la enfermedad. Pero no pueden ser mucho peores que hacer que un ratón nade más tiempo. ¿Derecha?.
0 comentarios:
Publicar un comentario