En ciencia dicen (decimos) que existen dos tipos de científicos.
Los de bata.
Y los de bota.
Los de bota son los que hacen trabajo de campo: se ponen unas botas y se van al campo a coger muestras y hacer estudios.
Luego están los de bata, que somos los que estamos en un laboratorio, el típico que te imaginas con frascos de cristal y pócimas burbujeantes. Aunque si algo burbujea, es más probable que sea un accidente que algo intencional.
Pues bien, la inteligencia artificial va a revolucionar el proceso de descubrimiento de medicamentos, lo que podría hacer peligrar el trabajo del científico de laboratorio tal y como lo conocemos.
Me explico.
El otro día estaba revisando una de las empresas en las que estoy invertido, Alexandria Real Estate Equities (NYSE:ARE). Esta empresa se dedica al negocio inmobiliario. Como comprar casas y reformarlas, pero con laboratorios para farmas.
Entre sus informes financieros me topé con que para el año 2025 esperan un nivel de ocupación de sus laboratorios del 92 %, algo bastante inferior a lo que venían reportando otros años.
¿Podría la IA estar afectando al negocio de Alexandria? Esta foto podría tener la clave:
Históricamente, el proceso de descubrimiento de fármacos ha sido tedioso y costoso. Se estima que descubrir una molécula y conseguir que se comercialice cuesta alrededor de 2.500 M$ y ~15 años. Además, la tasa de fallo desde la primera fase de ensayos clínicos hasta su autorización alcanza el 90 %. Si sumamos la tasa de fallo en investigación preclínica, es para echarse a llorar.
Por qué las farmacéuticas se empeñan en seguir descubriendo medicamentos a pesar de estas cifras? Porque la molécula que consigue pasar todo este proceso es MUY rentable. Pero eso es historia para otro día.
Ahora nos centramos en el título del correo. Las fases de ensayos clínicos que debe pasar un medicamento son bastante conocidas. En cambio, el desarrollo pre-clinico suele pasar más desapercibido.
La fase pre-clínica del desarrollo de medicamentos
A pesar de que todo el peso se pone en los ensayos clínicos, estos no existirían sin una investigación básica previa. Y por básica no me refiero a sencilla, sino a fundamental, para que existan fármacos que probar en humanos.
El desarrollo de fármacos siempre ha seguido el siguiente proceso:
1. Elegimos una enfermedad que queramos curar.
A ser posible, que afecte a mucha gente.
En este ejemplo, usaremos el caso del Síndrome de la Inmunodeficiencia Adquirida (SIDA), causado por el Virus de la Inmunodeficiencia Humana (VIH).
VIH: Virus patógeno que infecta y mata a las células de nuestro sistema inmune. En concreto, ataca a los linfocitos T.
SIDA: enfermedad producida por la acción del VIH, que debilita nuestro sistema inmune y nos deja expuesto a la infección por otros patógenos. Esto ocurre porque el virus infecta a un linfocito, genera muchas copias de sí mismo gracias a él, lo mata y pasa a infectar al siguiente linfocito.
VIH: patógeno.
SIDA: enfermedad.
El VIH se contagia, el SIDA no. Para que no haya líos.
2. Estudiamos por qué ocurre la enfermedad.
Si fueras una farma, pensarías: ¿cómo puedo eliminar el VIH de un paciente? Malamente.
Y si no puedo eliminar el VIH, ¿cómo puedo evitar que el VIH le produzca SIDA a la persona? Podríamos buscar formas de evitar que el virus se propague.
Aquí entramos a entender el mecanismo de infección y replicación viral. Con un poco de suerte, el trabajo de cientos de grupos de investigación financiados con dinero público habrán hecho esa tarea por nosotros. En ese proceso, se habrán identificado proteínas clave en el “ciclo de vida” del virus.
Por ejemplo, hemos identificado que el VIH necesita una proteína que le permite hacer copias de sí mismo para propagarse. Acabamos de encontrar una diana farmacológica, un sitio por el que podemos atacar al virus.
3. Identificamos moléculas que detengan la enfermedad.
El siguiente paso es identificar moléculas que ataquen esa diana terapéutica. En el caso del VIH, estaríamos buscando compuestos que inhiban la acción de esa proteína para frenar la expansión viral.
La forma de inhibir esta proteína requiere de mucha química, y prueba y error. A base de sintetizar moléculas, tratamos de encontrar alguna que encaje estructuralmente con la proteína, se una a ella y evite que funcione. En esta fase se pueden llegar a probar centenas, miles de moléculas hasta dar con una que tenga las características fisico-químicas adecuadas. Además, no todas las moléculas pueden inhibir a la proteína de la misma forma, lo que requiere averiguar el mecanismo de acción.
Si logramos identificar una molécula candidata, pasamos a evaluar su efecto sobre células vivas.
4. Analizamos si la molécula es eficaz.
Bien, si hemos llegado a esta fase (que no siempre se llega), tendremos una molécula que ha demostrado unirse a la proteína que queremos inhibir. Ahora bien, ¿tiene esto algún efecto en células vivas?
Tenemos que demostrar que:
- El compuesto puede entrar en las células. Las células son muy suyas, y no permiten que cualquier molécula entre libremente dentro de ellas.
- El compuesto no mata a las células. Existen algunos compuestos cuya estrategia implica matar a nuestras células – los antitumorales, por ejemplo –, pero no es nuestro caso. Nosotros queremos que el compuesto inutilice el virus, pero que no mate a nuestras células.
- El compuesto inhibe a la diana farmacológica. Es decir, que es eficaz y evita que el VIH se propague. Esto lo habíamos comprobado antes, pero NO dentro de células.
Si el fármaco no entra en las células, adiós.
Si el fármaco entra en las células que debe, pero las mata, adiós.
Y si el fármaco entra en las células que debe y no las mata, pero tampoco inhibe la expansión del virus, adiós.
Y todo esto se hace primero en líneas celulares, y luego en modelos animales como ratones. Las líneas celulares son útiles para las primeras etapas, porque son cómodas de manejar y baratas. Si algo falla en este punto, nos ahorramos el uso de animales.
Pero si los estudios son exitosos en células, toca pasar a organismos complejos como ratones, donde influyen muchas más variables que hacen peligrar la viabilidad del medicamento.
Si administro el medicamento con la comida, ¿se absorbe en el cuerpo y llega a su lugar de acción? No es lo mismo que el medicamento tenga que actuar en el intestino, a que tenga que llegar a los huesos.
En nuestro caso, el medicamento tiene que distribuirse por todo el cuerpo, ya que las células del sistema inmune están por todo lados velando por nuestro bienestar.
Un caso particular son los medicamentos que tienen que atravesar la barrera hematoencefálica para llegar al cerebro. Pero de esos hablaremos otro día.
Si conseguimos demostrar todo esto, hemos acabado la conocida como fase-preclínica. Tenemos una molécula candidata que parece eficaz, pero ahora tenemos que demostrar lo mismo en humanos.
En el caso del VIH, afortunadamente ya contamos con una batería de medicamentos que son eficaces en humanos y controlan el VIH.
Los medicamentos cabalgan a lomos del trabajo de miles de científicos y farmacéuticas que luchan por hacer del mundo un lugar mejor (y si pueden por el camino, hacerse ricos).
El papel de la IA
La IA no va a sustituir los ensayos en humanos. Aún estamos lejos de ese futuro distópico donde un robot se toma un medicamento por nosotros para saber si le mata.
Pero la IA sí que va a afectar mucho a las fases de desarrollo de medicamentos.
Ahora, tenemos acceso a modelos que pueden recoger y procesar toneladas de información sobre moléculas ya conocidas que funcionan. Además, contamos con IAs que permiten predecir y calcular la estructura tridimensional de proteínas (como AlphaFold). Esto puede parecer trivial, pero conocer la forma de las proteínas es esencial para desarrollar fármacos que ataquen una parte de la estructura. Esto permite:
- Entender qué parte de fármacos ya conocidos y eficaces son las realmente importantes dentro de la molécula. Esto luego permite extrapolar este conocimiento a la hora de diseñar nuevos fármacos.
- Enfrentar moléculas ya conocidas con proteínas importantes para alguna enfermedad. A este proceso de le conoce como drug repurposing, o readaptación de medicamentos.
- Generar millones de moléculas distintas y enfrentarlas a nuestra proteína de interés. Esto es como matar moscas a cañonazos, pero cuando tienes la computación necesaria, funciona.
Esto antes lo hacían equipos de cientos de científicos, miles de millones de financiación, y 15 años de investigación. Ahora, la IA lo hace en una fracción de tiempo y por una fracción de dinero. Y solo he puesto un ejemplo, pero la IA ya está afectando también a los ensayos clínicos.
¿Quiere decir esto que el científico de laboratorio tiene los días contados?
En absoluto, luego todas las moléculas candidatas tendrán que ser validadas con estudios en seres vivos. Pero nos ahorramos mucho tiempo, en algunos casos varios años.
¿Cuál será el límite? ¿Medicina personalizada con tratamientos generados específicamente para cada ser humano?
Volviendo al pensamiento que me motivó a escribir esto: Alexandria Real Estate Equities.
Si no necesitamos (tantos) científicos, no necesitamos tantos laboratorios. Al contrario, necesitamos centros de datos. Si baja la demanda de laboratorios, bajan los ingresos de Alexandria.
Si en cambio, lo que necesitamos es capacidad de computación, el éxito estará en construir centros de datos.
¿Quizás por eso Alexandria no para de caer, mientras que otras empresas como Merlin Properties (que está construyendo centros de datos), no para de revalorizarse en bolsa?
Hasta la próxima.
Esto no debe interpretarse como consejo de inversión.
Referencias.
Catacutan, D. B., Alexander, J., Arnold, A., & Stokes, J. M. (2024). Machine learning in preclinical drug discovery. Nature Chemical Biology, 20(8), 960–973. https://doi.org/10.1038/s41589-024-01679-1
