El descobriment de nous fàrmacs és un dels processos més complexos i costosos en la indústria farmacèutica. Tradicionalment, els models computacionals de disseny molecular s' han centrat a generar compostos optimitzant propietats generals o dirigits a una proteïna concreta, però sovint ignoren el context clínic de la malaltia. Aquest enfocament limitat pot generar molècules que, encara que teòricament actives, no transcendeixen a la complexitat biològica real. Per superar aquesta barrera, sorgeix DrugGen 2, un model generatiu que integra de forma explícita l'ontologia de la malaltia juntament amb la seqüència de la proteïna diana, marcant un avenç significatiu en la intel·ligència artificial aplicada al disseny racional de fàrmacs.
DrugGen 2 es basa en l' arquitectura GPT-2, un model de llenguatge preentrenat que s' ha adaptat mitjançant un procés de fine-tuning en dues etapes. Primer, es realitza un aprenentatge supervisat sobre un conjunt de dades curat de fàrmacs aprovats, vinculant cada molècula amb la seva malaltia i la seva diana proteica. En una segona fase, s'aplica optimització per reforç mitjançant la tècnica Group Relative Policy Optimization (GRPO), on el model és guiat per funcions de recompensa que penalitzen compostos no vàlids i premien la novetat, la diversitat estructural i una alta afinitat d'unió predita. Aquest enfocament garanteix que les molècules generades no només siguin sintèticament viables, sinó que també estiguin alineades amb el context patològic.
L'avaluació de DrugGen 2 es va realitzar sobre cinc dianes proteiques rellevants per a la nefropatia diabètica, una complicació greu de la diabetis que afecta milions de persones. Els resultats van mostrar que el model supera clarament els seus predecessors, DrugGPT i DrugGen, en la capacitat de generar molècules úniques, amb més similitud estructural als fàrmacs ja aprovats i amb afinitats d'unió predites significativament millors. Per exemple, per a l'enzim convertidora d'angiotensina (ECA), DrugGen 2017, -9,485 i -9,367 kcal/mol, superant el valor de referència del fàrmac enalapril (-8,283), la qual cosa suggereix un potencial terapèutic superior.
Més enllà dels números, el que fa rellevant a DrugGen 2 és la seva capacitat per entendre la malaltia com un tot. En condicionar la generació a l'ontologia de la malaltia —és a dir, a les relacions conceptuals entre símptomes, causes i mecanismes moleculars— el model pot proposar compostos que abordin la patologia des d'una perspectiva sistèmica, no només bloquejant una diana aïllada. Aquest enfocament obre la porta a un disseny de fàrmacs més eficient i a un reposicionament intel·ligent de molècules existents, accelerant l'arribada de tractaments a pacients.
Per a les empreses farmacèutiques i biotecnològiques, adoptar aquestes capacitats implica comptar amb una infraestructura tecnològica robusta. Aquí és on la col·laboració amb companyies especialitzades en desenvolupament de programari es torna clau. Q2BSTUDIO és un exemple de partner tecnològic que ofereix solucions integrals per impulsar la transformació digital en aquest sector. Des del desenvolupament d'aplicacions a mida per gestionar pipelins de descobriment, fins a la implementació de plataformes d'intel·ligència artificial que integrin models com DrugGen 2, passant per serveis cloud AWS i Azure que proporcionen l'escalabilitat necessària per entrenar i executar models complexos. La ciberseguretat també juga un paper crític, protegint la propietat intel·lectual de les molècules i les dades clíniques sensibles; Q2BSTUDIO compta amb serveis de pentesting i ciberseguretat per garantir entorns segurs.
A més, l'anàlisi dels resultats generats per aquests models requereix eines d'intel·ligència de negoci. Els serveis d'intel·ligència de negoci de Q2BSTUDIO, basats en Power BI, permeten visualitzar i extreure patrons de grans volums de dades d'afinitat, toxicitat i propietats farmacocinètiques, facilitant la presa de decisions informades. La companyia també desenvolupa agents IA autònoms que poden assistir en la selecció de candidats, optimitzar experiments i automatitzar reports, alliberant els científics per a tasques de més valor.
La integració de disease ontology en models generatius com DrugGen 2 representa un canvi de paradigma: es passa d'un disseny molecular guiat per propietats aïllades a un disseny contextualitzat, on la malaltia dicta les regles. Aquest enfocament no només millora la precisió de les prediccions, sinó que redueix dràsticament el temps i el cost del desenvolupament preclínic. No obstant això, perquè aquestes innovacions arribin al mercat, les organitzacions necessiten aliats tecnològics que entenguin tant la ciència com l'enginyeria de programari. Q2BSTUDIO, amb la seva experiència en IA per a empreses i en el desenvolupament d ' aplicacions a mida, es posiciona com un facilitador clau en aquesta nova era del descobriment de fàrmacs.
En conclusió, DrugGen 2 demostra que el futur del disseny de fàrmacs no resideix únicament en algoritmes més potents, sinó en la capacitat de contextualitzar el coneixement biològic. La combinació de models generatius avançats amb plataformes de programari robustes, infraestructura cloud i eines d'anàlisi de dades permetrà a la indústria farmacèutica enfrontar desafiaments com les malalties cròniques i resistents. Les empreses que inverteixin avui en aquestes capacitats, recolzant-se en proveïdors com Q2BSTUDIO, estaran més ben preparades per liderar la pròxima generació de teràpies personalitzades i efectives.
