El descobriment de nous fàrmacs continua sent un dels processos més llargs i costosos de la indústria biofarmacèutica, amb taxes de fracàs que superen el 90 % en assajos clínics. En aquest escenari, la intel·ligència artificial s'ha consolidat com una aliada estratègica per accelerar el disseny de molècules amb potencial terapèutic. Un equip multidisciplinari ha desenvolupat un model generatiu basat en difusió condicionada que produeix molècules tridimensionals optimitzades no només per a una alta afinitat d'unió a un blanc proteic, sinó també amb propietats farmacològiques favorables, com bona absorció, distribució, metabolisme, excreció i toxicitat (ADMET). Aquest avenç representa un salt qualitatiu respecte a enfocaments previs, que solien prioritzar únicament l' afinitat i descuidaven la viabilitat del compost com a fàrmac real.
El model, conegut internament com a conDitar-dev, es compon de tres mòduls interconnectats. El primer aprèn representacions multiescala de la butxaca d'unió de la proteïna diana. El segon és un model de difusió que genera lligands condicionats per aquestes representacions, mentre que el tercer optimitza en temps de generació les propietats de desenvolupament del lligant, com solubilitat, permeabilitat i estabilitat metabòlica. Els resultats sobre un conjunt de blancs terapèutics humans demostren una puntuació mitjana d'unió de -8,85 kcal/mol, superant significativament els models de referència. A més, en cinc propietats ADMET clau, el nou mètode assoleix millores de fins al 73 % respecte a la versió sense optimització.
La validació experimental reforça encara més la potència de l'eina. Per a la proteïna PD-L1, dues molècules generades directament pel model van mostrar valors de KD de 3,49 i 3,75 μM mitjançant ressonància de plasmó superficial. En el cas del receptor CSF1R, l' expansió d' encerts a partir de les molècules dissenyades va permetre identificar inhibidors selectius amb valors d' IC50 tan baixos com 200 nM. Aquests resultats no només confirmen la capacitat del model per generar compostos actius, sinó que també obren oportunitats per al reposicionament de fàrmacs, una àrea de gran interès per reduir temps i costos de desenvolupament.
Darrere d' aquest tipus d' innovació es troba la necessitat de comptar amb infraestructura tecnològica robusta i flexible. En Q2BSTUDIO, oferim solucions d'intel·ligència artificial per a empreses que permeten implementar des de models generatius fins a sistemes de cribratge virtual adaptats a necessitats específiques. Així mateix, desenvolupem aplicacions a mida per a la gestió integrada de dades químiques i biològiques, facilitant la traçabilitat i l' anàlisi multicriteri. La potència computacional requerida per entrenar models de difusió a gran escala es pot gestionar de manera eficient mitjançant serveis cloud AWS i Azure, que garanteixen escalabilitat i reducció de costos operatius.
La protecció de la propietat intel·lectual i les dades sensibles generades durant la investigació farmacèutica és un altre pilar fonamental. Per això, incorporem serveis de ciberseguretat que inclouen anàlisis de vulnerabilitats i proves de penetració, assegurant que la informació confidencial romangui a fora. A més, els equips d'R+D es beneficien d'eines d'intel·ligència de negoci com Power BI, que permeten visualitzar tendències en els resultats experimentals, correlacions entre propietats moleculars i rendiment predictiu, facilitant la presa de decisions informades.
La integració d' agents IA en els fluxos de treball de disseny molecular està transformant la forma en què els científics exploren l' espai químic. Aquests agents poden automatitzar tasques repetitives, com la preparació d' estructures o l' execució de simulacions, alliberant temps per a l' anàlisi creativa. En el cas concret del model presentat, la incorporació d' un mòdul d' optimització en temps de generació representa un pas cap a sistemes més autònoms i eficients. La combinació de models de difusió amb aprenentatge de representacions multiescala obre la porta a una nova generació d' eines de disseny de fàrmacs assistit per computadora.
L' enfocament no només és aplicable al descobriment de nous medicaments, sinó també a l' optimització de compostos ja existents i al reposicionament, on una molècula aprovada per a una indicació pot ser redirigida a una altra gràcies a prediccions precises d' afinitat i seguretat. La capacitat de generar molècules amb perfils ADMET predecibles redueix dràsticament el nombre de compostos que fracassen en etapes tardanes, estalviant milers de milions de dòlars a la indústria. Aquest tipus d'innovació és possible gràcies al treball interdisciplinari que combina biologia estructural, química computacional i ciència de dades, i que requereix de plataformes tecnològiques sòlides com les que oferim des de Q2BSTUDIO per a empreses que busquen liderar la transformació digital en el sector salut.
En conclusió, el model generatiu de molècules 3D optimitzades per a fàrmacs representa una fita en l'aplicació de la intel·ligència artificial al disseny racional de compostos. La seva capacitat per equilibrar afinitat i propietats de desenvolupament el converteix en una eina invaluable per accelerar l' arribada de nous tractaments als pacients. Per a les empreses que desitgin adoptar aquestes tecnologies, comptar amb un soci tecnològic que ofereixi programari a mida, serveis cloud, ciberseguretat i intel·ligència de negoci és clau per maximitzar el retorn de la inversió. El futur del descobriment de fàrmacs és digital, i la IA serà el motor que l'impulsi.
