Recordemos tres cifras: 20, 2 y 9. A primera vista, solo son números, pero en el proceso de desarrollo de fármacos, todas ellas son muy relevantes.
Narcis Fernandez, Universitat de Vic – Universitat Central de Catalunya; Baldo Oliva, Universitat Pompeu Fabra, and Joaquim Aguirre Plans, Universitat Pompeu Fabra
En primer lugar, veinte son los años que se tarda, aproximadamente, en llevar al mercado un nuevo medicamento. Dos son los billones de dólares americanos –centenares de millones arriba, centenares de millones abajo– que representa el coste del desarrollo de un nuevo fármaco. Finalmente, nueve es el porcentaje, también aproximado, de fármacos que finalmente se aprueban para uso humano (del total que llegan a la Fase I de los ensayos clínicos).
Proceso de desarrollo de fármacos
A la vista de estas cifras recordamos que el descubrimiento de nuevos fármacos es un proceso largo, altamente costoso a nivel económico y extremadamente arriesgado.
En la primera etapa, la fase preclínica, las bases moleculares de la enfermedad que se pretende curar están bien definidas, así como la diana terapéutica, normalmente una proteína.
La diana terapéutica es hacia donde se dirigen las moléculas diseñadas en estos estudios. Diferentes experimentos, tanto en el laboratorio (in vitro) como en animales (in vivo), confirmarán la efectividad y especificidad de estas moléculas.
Después de este trabajo, se inicia la fase clínica, que implicará experimentación en humanos. Se evalúa la eficacia del nuevo fármaco y, sobre todo, su seguridad. El viejo dicho de “que el remedio no sea peor que la enfermedad” es la pregunta que los ensayos clínicos buscan responder. Estos ensayos clínicos, realizados antes de la comercialización, se estructuran en varias fases e interviene cada vez un mayor número de personas.
Posteriormente, las autoridades competentes deben autorizar el fármaco para su comercialización. En este momento, comienza la fase IV, en la que se hace un seguimiento (fármacovigilancia) del nuevo fármaco.
Solo unos pocos fármacos llegarán a los humanos
El uso de los medicamentos lleva asociadas reacciones no deseadas, los llamados efectos secundarios. Cuando los efectos secundarios provocados por un nuevo fármaco superan los beneficios de la función terapéutica del mismo, este será descartado. Este es el motivo principal por el que solo un pequeño porcentaje de las moléculas candidatas que comienzan los ensayos clínicos acaban siendo medicamentos.
El daño hepático, o como se conoce en inglés drug induced liver injury (DILI), es una de las causas más frecuentes por las cuales el desarrollo de nuevos fármacos es abandonado. El daño hepático o DILI se produce por la toxicidad propia del fármaco y, aunque tiene una incidencia relativamente alta (20 sobre 10 0000 habitantes), las causas no son totalmente conocidas.
Teniendo en cuenta el coste económico, material y humano que comporta el desarrollo de un nuevo fármaco, ser capaces de predecir su seguridad en el momento del desarrollo (y más concretamente si este será potencialmente causante de DILI) es altamente conveniente para optimizar el proceso de descubrimiento.
Ordenadores y datos masivos para aligerar el proceso
En este sentido, recientemente hemos puesto al alcance de la comunidad científica un método computacional para predecir si un fármaco es susceptible de causar DILI. El método esta basado en inteligencia artificial y el uso de datos masivos, conocido en ingles como el Big Data, y se presentó a una competición internacional que evalúa la fiabilidad de métodos de predicción.
Los resultados obtenidos en dicha competición internacional validó el uso de nuestro método en la predicción de DILI que, aun no siendo perfecto, tiene un elevado nivel de acierto.
Los métodos basados en inteligencia artificial presentan dos grandes ventajas que los hacen muy deseables en tareas de predicción. La primera es que pueden utilizar datos de muy variada naturaleza e integrarlos de forma fácil y conveniente. En nuestro caso, el método utiliza información a nivel fenotípico, genético, de estructura química de las moléculas y las respectivas dianas terapéuticas.
La segunda gran ventaja de estos métodos es la capacidad de encontrar patrones y conexiones que no serían tan obvios mediante un proceso de aprendizaje autónomo.
Falta de datos para mejorar la inteligencia artificial
Aunque estos datos son útiles, es importante mencionar que todavía hay un largo camino por recorrer para mejorar el acierto de estos e implementarlos en la rutina del desarrollo de nuevos fármacos.
Quizás la mayor desventaja que presentan estas estrategias es la necesidad de contar con cantidades ingentes de información durante el proceso de aprendizaje para derivar reglas útiles e inequívocas necesarias a la hora de hacer la predicción.
No obstante, esta desventaja va perdiendo fuerza con el tiempo, ya que los avances tecnológicos en áreas de las ciencias de la vida, incluyendo el descubrimiento de nuevas medicinas, están resultando, en la generación y acumulación masiva de información biológica, susceptibles de ser utilizados con finalidades predictivas.
De hecho, la sociedad actual, con el uso de las tecnologías de la información y el tratamiento masivo de datos en prácticamente todos los aspectos de su vida, es un reflejo claro de esta nueva realidad.
Narcis Fernandez, Doctorado en Biologia Computacional, Universitat de Vic – Universitat Central de Catalunya; Baldo Oliva, Professor of Structural Biology, Universitat Pompeu Fabra, and Joaquim Aguirre Plans, Assistant researcher, Universitat Pompeu Fabra
This article is republished from The Conversation under a Creative Commons license. Read the original article.
