Cómo la inteligencia artificial podría ayudarnos a vivir más tiempo

 

¿Qué pasaría si pudiéramos generar nuevas moléculas para atacar cualquier enfermedad, de la noche a la mañana, listas para ensayos clínicos?

Imagine aprovechar el aprendizaje automático para lograr con 50 personas lo que la industria farmacéutica apenas puede hacer con un ejército de 5.000.

Es una oportunidad multimillonaria que puede ayudar a miles de millones.

El mercado farmacéutico mundial, una de las industrias monolíticas más lentas para adaptarse, superó los $ 1.1 billones en 2016.

En 2018, se estima que las 10 principales compañías farmacéuticas generarán más de $ 355 mil millones en ingresos.

Al mismo tiempo, actualmente cuesta más de $ 2.5 mil millones (a veces hasta $ 12 mil millones) y toma más de 10 años traer un nuevo medicamento al mercado. Nueve de cada 10 medicamentos que ingresan a los ensayos clínicos de Fase I nunca llegarán a los pacientes.

A medida que la población envejece, no tenemos tiempo para confiar en esta tasa de producción lenta y costosa. Alrededor del 12 por ciento de la población mundial tendrá 65 años o más para 2030, y las "enfermedades del envejecimiento" como el Alzheimer plantearán desafíos cada vez mayores para la sociedad.

Pero un mundo de abundancia farmacéutica ya está emergiendo.

A medida que la inteligencia artificial converge con conjuntos de datos masivos en todo, desde la expresión de genes hasta análisis de sangre, el descubrimiento de nuevos fármacos está a punto de ser> 100 veces más económico, más rápido y más inteligente.

Una de las startups más interesantes que conozco en esta área es Insilico Medicine.

Aprovechando la inteligencia artificial en su cartera de medicamentos de punta a punta, Insilico Medicine está extendiendo la longevidad saludable a través del descubrimiento de fármacos y la investigación del envejecimiento.

Su completo motor de descubrimiento de fármacos utiliza millones de muestras y múltiples tipos de datos para a) descubrir firmas de enfermedades yb) identificar los objetivos más prometedores para miles de millones de moléculas. Estas moléculas ya existen o pueden generarse  de nuevo  con el conjunto deseado de parámetros.

El CEO de Insilico, Dr. Alex Zhavoronkov, recientemente se unió a mí en un seminario web de Abundance Digital para analizar el futuro de la investigación de la longevidad.

Esta semana, Insilico anunció la finalización de una ronda estratégica de financiación liderada por el Corporate Venture Fund de WuXi AppTec, con la participación de Pavilion Capital, Juvenescence, y mi fondo de capital riesgo BOLD Capital Partners.

Lo que están haciendo es extraordinario, y es una excelente lente para ver tecnologías exponenciales convergentes .

Estudio de caso: aprovechamiento de la IA para el descubrimiento de fármacos

Es probable que hayas oído hablar de redes neuronales profundas: redes de varias capas de neuronas artificiales, capaces de "aprender" a partir de grandes cantidades de datos y esencialmente programarse a sí mismas.

Construya sobre redes neuronales profundas, y obtendrá redes generativas contradictorias (GAN), la tecnología revolucionaria que sustenta la cadena de descubrimiento de fármacos de Insilico.

¿Qué son GAN?

Al enfrentar dos redes neuronales profundas entre sí ("adversarios"), las GAN posibilitan la imaginación y la creación de cosas completamente nuevas ("generativas").

Desarrollado por Google Brain en 2014, los GAN se han utilizado para generar imágenes casi fotográficamente precisas a partir de descripciones textuales (como se ve a continuación).

REED Y AL., 2016-1
                                                                                   Fuente: Reed et al., 2016

Insilico y sus investigadores son los primeros en el mundo en usar GAN para generar moléculas.

"La técnica GAN es esencialmente un juego adversarial entre dos redes neuronales profundas", explica Alex.

Mientras uno genera ruido significativo en respuesta a la entrada, el otro evalúa la salida del generador. Ambas redes aprenden a generar resultados cada vez más perfectos.

En el caso de Insilico, esa salida consiste en moléculas perfeccionadas. Generando nuevas estructuras moleculares para enfermedades con y sin objetivos conocidos, Insilico busca el descubrimiento de fármacos en el envejecimiento, cáncer, fibrosis, enfermedad de Parkinson, enfermedad de Alzheimer, ELA, diabetes y muchos otros. Una vez desplegado, las implicaciones serían profundas.

El objetivo final de Alex es desarrollar un motor totalmente automatizado de Salud como servicio (HaaS) / Longevidad como servicio (LaaS). Una vez que se conectó a los servicios de compañías de Alibaba a Alphabet, un motor de este tipo permitiría soluciones personalizadas para usuarios en línea, ayudándolos a prevenir enfermedades y mantener una salud óptima.

Pero, ¿qué aspecto tiene tangiblemente?

Línea de extremo a extremo de Insilico

Primero, Insilico aprovecha AI, en forma de GAN, para identificar objetivos (como se ve en la primera etapa de su canal a continuación). Para hacer esto, Insilico usa datos de expresión genética de muestras de tejidos sanos y de aquellos afectados por enfermedades. (Los objetivos son las estructuras celulares o moleculares involucradas en una patología determinada sobre las que se pretende que actúen las drogas).

TUBERÍAS INSILICO
                                                                             Fuente: Medicina Insilico a través del medio

Dentro de esta primera etapa de tramitación, Insilico puede identificar objetivos, reconstruir vías completas de enfermedad y comprender los mecanismos reguladores que resultan en enfermedades relacionadas con el envejecimiento.

Esto solo permite avances para la investigación médica y de salud. Pero no se detiene allí.

Después de comprender los mecanismos subyacentes y la causalidad involucrada en el envejecimiento, Insilico usa GAN para 'imaginar' nuevas estructuras moleculares. Con el aprendizaje de refuerzo, el sistema de Insilico te permite generar una molécula con cualquiera de hasta 20 propiedades diferentes para alcanzar un objetivo específico.

Esto significa que ahora podemos identificar objetivos como nunca antes, y luego generar moléculas personalizadas  de novo de  manera que lleguen a esos objetivos específicos.

A gran escala, esto también implicaría el diseño de medicamentos con efectos secundarios minimizados, un objetivo que ya está siendo estudiado por la científica de Insilico, Polina Mamoshina, en colaboración con el Equipo Cardiovascular Computacional de la Universidad de Oxford.

Una de las iniciativas más recientes de Insilico, para completar la trifecta, si se quiere, implica predecir los resultados de los ensayos clínicos. Si bien aún se encuentran en las primeras etapas de desarrollo, los predictores precisos de los ensayos clínicos permitirían a los investigadores identificar candidatos preclínicos ideales.

Esa es una mejora de 10 veces con respecto al estado actual de las cosas.

Actualmente, más del 90 por ciento de las moléculas descubiertas a través de técnicas tradicionales y probadas en ratones terminan fallando en ensayos clínicos en humanos. Los predictores precisos de los ensayos clínicos darían lugar a un   recorte sin precedentes del costo, el tiempo y los gastos generales en las pruebas de detección de drogas.

Los 6 D's de Drug Discovery

La digitalización y desmaterialización del descubrimiento de fármacos ya ha sucedido.

Gracias a avances convergentes en aprendizaje automático, descubrimiento de fármacos y biología molecular, empresas como Insilico ahora pueden hacer con 50 personas lo que la industria farmacéutica apenas puede hacer con un ejército de 5.000.

A medida que mejore la potencia informática, podremos llevar terapias novedosas al mercado a velocidades vertiginosas, a un costo mucho más bajo y sin requisitos de infraestructura e inversiones masivas. Estas terapias se desmonetizarán y democratizarán como resultado.

Añádase a estos adelantos anticipados en la computación cuántica, y pronto veremos una explosión en la cantidad de moléculas que se pueden probar (con una precisión mucho mayor).

Finalmente, AI nos permite producir medicamentos sofisticados con múltiples objetivos. "Actualmente, el modelo farmacéutico en general es muy simplista. Tienes un objetivo y una enfermedad, pero generalmente una enfermedad no es un objetivo, son muchos objetivos ", explicó Alex.

Pensamientos finales

Las industrias ineficientes, lentas a la innovación y aversas al riesgo se verán afectadas en los próximos años. Big Pharma es un área que vale la pena ver en este momento, sin importar su industria.

Las tecnologías convergentes pronto permitirán avances extraordinarios en la longevidad y la prevención de enfermedades, con empresas como Insilico a la cabeza.

Impulsado por conjuntos de datos masivos, potencia computacional vertiginosa, computación cuántica, acceso de pacientes habilitado por blockchain, capacidades de excedentes cognitivos e innovaciones notables en AI, el futuro de la salud humana y la longevidad es realmente digno de emoción.

La biotecnología rejuvenecedora estará disponible comercialmente antes de lo que piensas. Cuando le pedí a Alex su propia proyección, estableció la línea de tiempo en "tal vez 20 años, ese es un horizonte razonable para la biotecnología rejuvenecedora tangible".

La predicción de Alex incluso puede ser conservadora.

Mi amigo Ray Kurzweil a menudo discute el concepto de "velocidad de escape de la longevidad": el punto en el que, por cada año que estás vivo, la ciencia puede extender tu vida por más de un año.

Con una precisión de predicción de récord del 86 por ciento, Ray predice que "es probable que pasen otros 10 o 12 años antes de que el público en general alcance la velocidad de escape de la longevidad".

¿Cómo podría usar 20 años o más de vida saludable en su vida? ¿Qué impacto podrías hacer?...

 

 

 

Fuente: www.singularityhub.com

¡Tienes que ser miembro de Argentina2050 para agregar comentarios!

Unido Argentina2050

Enviarme un correo electrónico cuando me contesten –