Alex Zhavoronkov, PhD, es el fundador y director ejecutivo de Insilico Medicine, una empresa de biotecnología en etapa clínica líder que desarrolla inteligencia artificial generativa de próxima generación y plataformas automatizadas para el descubrimiento de fármacos. Desde 2014, ha inventado tecnologías críticas en el campo de la inteligencia artificial generativa y el aprendizaje por refuerzo (RL) para la generación de estructuras moleculares novedosas con las propiedades deseadas y la generación de datos biológicos y de pacientes sintéticos. Bajo su liderazgo, Insilico recaudó más de 500 millones de dólares en múltiples rondas de inversores expertos en biotecnología, atención médica y finanzas, abrió centros de I+D en 6 países y regiones, y se asoció con múltiples instituciones farmacéuticas, biotecnológicas y académicas. Desde 2021, la empresa nominó más de 20 candidatos preclínicos, inició 6 ensayos clínicos en humanos y entró en la Fase II con un objetivo novedoso descubierto por IA y una molécula novedosa diseñada por IA. Desde 2012, ha publicado más de 200 artículos de investigación revisados por pares y 3 libros. Forma parte de los consejos asesores o editoriales de Trends in Molecular Medicine, Aging Research Reviews, Aging y Frontiers in Genetics, y fundó y copreside la Conferencia Anual de Investigación sobre el Envejecimiento y Descubrimiento de Fármacos (11.ª edición en 2024). Es profesor adjunto de inteligencia artificial en el Buck Institute for Research on Aging.

Hace diez años esto era ciencia ficción, y ahora tenemos objetivos descubiertos por IA y moléculas diseñadas por IA que avanzan en ensayos clínicos.

Ha popularizado el término Superinteligencia Farmacéutica (PSI). ¿Qué quiere decir con eso?

Los temas de la inteligencia artificial general (IAG) a nivel humano y la superinteligencia artificial (ASI) han cautivado a los investigadores durante décadas, mucho más en los últimos años, con mucho desacuerdo sobre cuándo y si es posible. “Resuelve la IA y resolverá todo lo demás” es una suposición y objetivo populares para estos esfuerzos.

Aplicando esta visión a las industrias de la atención médica y farmacéutica, podemos definir la superinteligencia farmacéutica (PSI) como una plataforma totalmente autónoma capaz de descubrir y diseñar una molécula pequeña perfecta o un fármaco biológico, junto con el biomarcador para la selección de pacientes, produciendo una respuesta modificadora de la enfermedad o curativa significativa para cualquier enfermedad sin fallos y sin necesidad de más experimentación humana.

¿De dónde surgió la idea? ¿Cómo está evolucionando Insilico Medicine hacia la construcción de la Superinteligencia Farmacéutica?

Cuando fundé Insilico en 2014, estábamos trabajando en biomarcadores y relojes de envejecimiento, esencialmente formas de medir la edad biológica y el riesgo de enfermedad. A medida que la IA avanzó, especialmente los modelos generativos, nos dimos cuenta de que podíamos pivotar hacia el descubrimiento de fármacos en sí. Con el tiempo, construimos módulos que resolvían problemas específicos, como PandaOmics para el descubrimiento de objetivos y Chemistry42 para el diseño de moléculas, y luego comenzamos a conectarlos. La visión de la Superinteligencia Farmacéutica surgió de la idea de ¿y si estas piezas estuvieran totalmente integradas, validadas y pudieran aprender continuamente unas de otras? Así es como transformarás toda la industria.

Insilico ha sido noticia por comprimir los plazos de desarrollo. ¿Puede compartir algunos hitos que demuestren esto?

Tradicionalmente, el desarrollo de fármacos tarda unos 10+ años desde el objetivo hasta el mercado, con el desarrollo preclínico solo tomando aproximadamente 4,5 años. Con la IA y la retroalimentación experimental, hemos demostrado que el desarrollo preclínico se puede hacer mucho más rápido. Por ejemplo, nuestro programa QPCTL pasó del descubrimiento a la etapa DC en solo nueve meses y nuestro candidato TNIK a la etapa DC en 18 meses. Hoy, tenemos 40+ programas, incluido uno para fibrosis pulmonar idiopática que mostró resultados positivos en la Fase 2a. Esos hitos prueban que la IA no es solo teórica sino que está produciendo terapéuticos tangibles.

Si la validación es el cuello de botella, ¿qué desbloquea la siguiente fase de PSI?

Cuatro palancas. Primero, repositorios de referencia a nivel de programa abiertos que vinculan ómicas, química y resultados clínicos. Segundo, destilar modelos “maestro” de tarea única validados en agentes multimodales versátiles. Tercero, cascadas de simulación pan-flute, filtros baratos primero y modelos intensivos en física al final. Cuarto, aprendizaje por refuerzo comunitario a partir de retroalimentación verificada experimentalmente, para que todo el ecosistema aprenda de programas reales.

¿Puede desarrollar esa idea de “maestro-estudiante”?

Los modelos farmacéuticos a menudo “caducan” mientras esperamos la validación. La solución es la continuidad a medida que los modelos de tarea validados se convierten en maestros que generan datos sintéticos confiables y proporcionan barreras de protección mientras entrenan estudiantes multimodales más capaces. Puedes preservar la inteligencia ganada con esfuerzo mientras mejoras las capacidades.

Hablemos de FPI. ¿Por qué fue ese un momento tan importante para Insilico?

La FPI es una enfermedad pulmonar devastadora, a menudo fatal en unos pocos años, y los pacientes tienen opciones muy limitadas. Nuestro programa comenzó completamente con IA, PandaOmics identificó a TNIK como un objetivo novedoso, Chemistry42 diseñó la molécula y nuestro equipo la avanzó a la clínica. El ensayo de Fase 2a mostró una mejora de +98 mL en la función pulmonar sobre el placebo y los resultados se publicaron en Nature Medicine. No fue solo un éxito para nosotros, sino la primera prueba real en el mundo de que nuestras moléculas impulsadas por IA pueden mostrar eficacia en pacientes.

¿Cómo encaja la biología del envejecimiento en el programa, más allá de enfermedades individuales?

En el programa de FPI de Insilico, la contribución de la IA a la biología se extendió mucho más allá de simplemente identificar un objetivo novedoso para la FPI. Crucialmente, también descubrió numerosos biomarcadores potenciales vinculados a procesos de envejecimiento, que son vitales para avanzar en la investigación traslacional y proporcionar puntos de referencia críticos para más ensayos clínicos.

Ha comparado la industria farmacéutica con la conducción autónoma e incluso con modelos mundiales. ¿Por qué?

La validación a escala importa y la conducción autónoma acumula millones de viajes. La farmacéutica necesita “viajes” análogos a través de programas y ensayos. A medida que los recopilamos, podemos construir mejores simulaciones mundiales para fármacos, para que los agentes aprendan de una realidad clínica ricamente simulada mientras continuamos validando en el mundo real.

¿Qué tan realista es su predicción de que los primeros fármacos totalmente diseñados por IA estarán disponibles para los pacientes en los próximos cinco o seis años?

Me sorprendería si no lo viéramos en ese plazo. Ya tenemos más de 40 programas internos, con el programa más avanzado habiendo completado la Fase IIa con validación prometedora de seguridad y eficacia. El éxito futuro depende de los resultados continuos de los ensayos, la revisión regulatoria y la seguridad. Espero que Insilico sea el primero, pero incluso si no somos nosotros, alguien cruzará esa línea antes de 2030. Lo importante es que el campo ha llegado a un punto donde esa es una expectativa realista.

¿Qué deberían hacer los científicos y las empresas mañana para acercarse a la PSI?

Como con otros sistemas de IA, tanto el entrenamiento como la confianza provienen de la validación. Muchos modelos que han sido validados para tareas específicas en simulación, experimentos preclínicos y clínicos pueden usarse para entrenar LLM multimodales más grandes y capaces. Los modelos validados pueden generar datos sintéticos para el entrenamiento supervisado de la próxima generación de LLM, con algunos modelos computacionalmente eficientes siendo usados directamente en el bucle de aprendizaje por refuerzo.

Hay varias vías para lograr la PSI. El camino más probable es la convergencia de los modelos LLM altamente capaces entrenados en datos a escala de Internet con capacidades de razonamiento significativas y los modelos más pequeños, específicos de tarea, multimodales, basados en biología, química y física, basados en arquitecturas avanzadas y relativamente primitivas. Esta convergencia también podría ocurrir con LLM que usan tales modelos y herramientas especializados en flujos de trabajo agentes, similar a como los químicos médicos usan software y herramientas tradicionales de diseño de fármacos.

La clave de la PSI es la capacidad de usar los modelos “heredados” validados para la creación de datos sintéticos, o usarlos para el aprendizaje por refuerzo y la evaluación comparativa de los modelos de próxima generación, similar a cómo el conocimiento y la inteligencia se transmiten de generación en generación en la sociedad humana.

Mirando hacia adelante, ¿qué le da más optimismo sobre la Superinteligencia Farmacéutica?

Ya estamos viendo los primeros signos de la PSI en acción. Hace diez años esto era ciencia ficción, y ahora tenemos objetivos descubiertos por IA y moléculas diseñadas por IA que avanzan en ensayos clínicos. Hemos comprimido los plazos preclínicos de los tradicionales 4,5 años a menos de 18 meses en algunos casos y construido puntos de referencia en más de 22 programas. Los datos del mundo real de cada programa nos ayudan a entrenar mejores modelos. Ese bucle de evidencia me da confianza en que llegaremos a un punto donde la IA impulse de manera confiable el descubrimiento de fármacos de extremo a extremo.

La publicación Preguntas y respuestas con Alex Zhavoronkov, director ejecutivo de Insilico Medicine apareció primero en citybiz.

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para citybiz (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.