La información molecular de un paciente, una enfermedad o patógeno constituye una valiosa herramienta en el actual mundo de la Medicina de Precisión, esa atención sanitaria individualizada, que responde a cada caso de enfermedad, pero también a la propia idiosincrasia de los pacientes, a sus características genéticas y fenotípicas, a sus condiciones sociales y laborales y a la exposición a agentes externos en las que se encuentran.
En el camino para su instauración en el sistema sanitario, cada vez se cuentan con más diagnósticos y tratamientos moleculares, más efectivos y con menos niveles de toxicidad. Las nuevas tecnologías están teniendo un importante papel en estos avances, como las herramientas de secuenciación, que permiten tipificar los diferentes tipos de patología y destinar los fármacos más efectivos. Y en este contexto la inteligencia artificial (IA) es uno de los instrumentos que pueden facilitar el desarrollo de moléculas terapéuticas.
El sistema de aprendizaje profundo e IA desarrollado por el MIT precisa de una de una pequeña cantidad de datos para predecir las propiedades moleculares de una patología y generar nuevos materiales y medicamentos
La IA ha demostrado ser capaz de, a partir del aprendizaje automático, analizar los datos de proteínas, moléculas o información clínica y, a partir de estos, crear patrones y ofrecer respuesta a los problemas que se plantean con tratamientos más precisos y personalizados que reducen el coste invertido en el desarrollo de fármacos y los tiempos destinados al proceso.
Avanzar en conseguir mejores sistemas de inteligencia artificial que amplíen y aceleren la llegada de nuevas terapias innovadoras ha llevado al Massachusetts Institute of Technology (MIT) a generar una nueva tecnología que precisa de una pequeña cantidad de datos para predecir las propiedades moleculares de una patología y crear nuevos materiales y medicamentos de forma más sencilla que con el clásico proceso de prueba-error.
DIAGNÓSTICO Y TRATAMIENTO EN EL MOMENTO
Clásicamente el aprendizaje automático ha ido unido al big data. La necesidad de contar con grandes bases de datos para conformar patrones que se ajusten a la realidad y permitan clasificar, definir y pronosticar una situación han dificultado el desarrollo de sistemas destinados a enfermedades o procesos poco frecuentes o de los que apenas hubiera información. Conseguirla conlleva importantes costes no solo para contar con la información, sino también para almacenar la gran cantidad de bytes, megabytes, gigabytes o terabytes que se pueden llegar a acumular.
Guo: “Una vez que tengamos esta gramática como representación de todas las diferentes moléculas, podemos usarla para impulsar el proceso de predicción de propiedades”
Los investigadores del MIT y del MIT-IBM Watson AI Lab han desarrollado una tecnología que puede predecir con eficacia las propiedades moleculares utilizando solo una pequeña cantidad de datos. Esta nace de la conocida como gramática molecular, datos a partir de los cuales el modelo de aprendizaje automático “conoció el lenguaje molecular”. Como explican los autores, las moléculas con estructuras similares utilizan las mismas reglas gramaticales de producción, el sistema simplemente analiza los datos a partir de las propiedades similares.
“Una vez que tengamos esta gramática como representación de todas las diferentes moléculas, podemos usarla para impulsar el proceso de predicción de propiedades”, señala en nota de prensa Minghao Guo, estudiante de posgrado en ciencias de la computación e ingeniería eléctrica (EECS) y autor principal del estudio que se presentará en la Conferencia Internacional de Aprendizaje Automático.
Este sistema, además, se establece en un nuevo marco unificado que puede predecir las propiedades moleculares y generar nuevos tratamientos de forma simultánea. “Esta representación basada en la gramática es muy poderosa. Y debido a que la gramática en sí es una representación muy general, se puede implementar en diferentes tipos de datos en forma de gráfico. Estamos tratando de identificar otras aplicaciones más allá de la química o la ciencia de los materiales”, concluye Guo.