Por Canuto  

Vivodyne sostiene que la IA aplicada al descubrimiento de fármacos no podrá cumplir sus promesas más ambiciosas sin datos obtenidos de tejidos humanos vivos. Su plataforma HIVE automatiza cientos de miles de experimentos para observar cómo las enfermedades responden a distintos tratamientos, con la expectativa de mejorar los modelos que hoy aprenden principalmente de animales, células aisladas y proteínas.
***

  • Vivodyne desarrolló laboratorios robóticos HIVE capaces de cultivar y monitorear 20 tipos de tejido humano.
  • La empresa afirma que sus modelos de tejido alcanzan hasta 100% de concordancia en pruebas con 20 fármacos de quimioterapia.
  • Su CEO cuestiona que los modelos actuales comprendan la causalidad biológica necesaria para diseñar terapias más complejas.

La inteligencia artificial aplicada al descubrimiento de fármacos enfrenta una limitación que no se resuelve únicamente con más capacidad de cómputo: la falta de datos biológicos que reflejen cómo funciona el tejido humano vivo. Vivodyne, una startup de biotecnología surgida de la Universidad de Pensilvania, sostiene que muchos modelos actuales aprenden de animales, células individuales o proteínas aisladas, pero no observan de forma suficiente qué ocurre cuando un tejido enfermo recibe un estímulo concreto.

La empresa intenta cubrir ese vacío con HIVE, un conjunto de laboratorios robóticos modulares que cultivan 20 tipos de tejido humano, los dosifican y monitorean de manera autónoma. Andrei Georgescu, CEO y cofundador de Vivodyne, resumió el problema con una frase provocadora: “Sin pruebas en humanos, ¿qué van a hacer estos modelos de IA? Van a curar el cáncer en ratones”.

La advertencia aparece mientras varios líderes tecnológicos han presentado la cura del cáncer como una posible consecuencia del avance hacia sistemas de inteligencia artificial más capaces. Dario Amodei, CEO de Anthropic, escribió durante el fin de semana que las afirmaciones sobre una eventual cura mediante IA se han convertido más en un cliché que en una expectativa creíble, aunque anteriormente él mismo había planteado una visión similar.

Sam Altman también ha citado repetidamente la cura del cáncer como una justificación para impulsar la inteligencia artificial general y construir sistemas con cada vez mayor capacidad de cómputo. Demis Hassabis, de Google DeepMind, declaró el año pasado que la IA podría potencialmente curar todas las enfermedades en una década, pero los resultados disponibles hasta ahora siguen siendo moderados frente a la magnitud de esas promesas.

El problema de trasladar resultados a pacientes

Un puñado de fármacos diseñados con ayuda de IA ya llegó a ensayos en humanos, y uno de ellos alcanzó la fase III, etapa que involucra pruebas generalizadas en pacientes. Sin embargo, la existencia de esos candidatos no significa que la tecnología haya resuelto los principales obstáculos del desarrollo farmacéutico, porque muchos fracasos ocurren cuando una molécula pasa de modelos experimentales a organismos humanos.

AlphaFold, el sistema reconocido con el Premio Nobel por sus avances en la comprensión de componentes básicos de la vida, representó un salto importante en biología computacional. Aun así, todavía no ha producido realmente un nuevo fármaco, mientras que Isomorphic Labs, la empresa creada para aprovechar AlphaFold, espera iniciar sus primeros ensayos a finales de este año, después de que las pruebas previstas originalmente para 2025 se retrasaran.

En febrero, Isomorphic Labs señaló que el descubrimiento real de fármacos requerirá “modelos predictivos muy precisos, en una amplia gama de propiedades e interacciones bioquímicas”. Esa exigencia muestra por qué identificar la estructura de una proteína, aunque sea una tarea extraordinaria, no equivale a predecir cómo responderá un organismo completo ante una terapia determinada.

El sector farmacéutico conoce ese riesgo desde hace décadas: 90% de los fármacos que resultan eficaces en pruebas con animales y llegan a ensayos clínicos no obtiene aprobación regulatoria para humanos. Vivodyne considera que esa tasa de fracaso refleja, entre otros factores, la distancia entre los modelos animales y la complejidad de los órganos humanos, una distancia que los sistemas de IA no pueden ignorar por mucho que aumenten sus parámetros.

HIVE busca producir datos causales

Vivodyne surgió en 2021 después de que Georgescu obtuviera un doctorado en bioingeniería en la Universidad de Pensilvania. La startup afirma que sus tejidos se comportan de forma muy similar a órganos humanos reales y que sus células hepáticas alcanzan 94% de precisión predictiva frente a ensayos humanos de toxicidad, mientras su tejido de las vías respiratorias coincide 96% de las veces con el comportamiento del tejido humano real.

La empresa también reporta un resultado de 100% de concordancia en su médula ósea al probar 20 fármacos de quimioterapia diferentes. Esas cifras corresponden a evaluaciones internas descritas por la compañía, por lo que su importancia práctica dependerá de la validación independiente, la reproducibilidad y la capacidad de anticipar resultados clínicos fuera de los experimentos realizados por Vivodyne.

La semana pasada, la startup inauguró en las afueras de San Francisco lo que define como el “centro de datos humanos” más grande del mundo. Georgescu asegura que el equipo ya consigue el doble de rendimiento que todos los ensayos con animales realizados en Estados Unidos, una comparación destinada a destacar la escala de automatización de HIVE y no necesariamente a sustituir de inmediato toda la investigación preclínica tradicional.

El propósito comercial más inmediato consiste en acelerar la selección de candidatos antes de que las compañías asuman el costo de un ensayo clínico, que suele alcanzar decenas de millones de dólares. Vivodyne no identifica públicamente a sus socios, aunque afirma trabajar con varias grandes farmacéuticas que buscan reducir la incertidumbre antes de probar tratamientos en personas.

De las instantáneas celulares a la causalidad

Georgescu compara el desafío con las pruebas de choque de la industria automotriz. Un fabricante suele entrar a una prueba oficial con una expectativa razonable de que su vehículo cumplirá los requisitos de la NHTSA, mientras que los desarrolladores de fármacos rara vez tienen el mismo nivel de confianza cuando comienzan un ensayo clínico, pese a que una gran mayoría de esos productos no consigue la aprobación de la FDA.

La visión de Vivodyne, sin embargo, va más allá de ofrecer una herramienta para filtrar candidatos. La compañía pretende generar datos causales sobre biología humana, es decir, registros que no solo indiquen el estado de una célula, sino que relacionen ese estado con el estímulo que lo produjo y con la respuesta posterior del tejido.

Georgescu menciona un estudio publicado el mes pasado en Nature Methods que no encontró leyes claras de escalamiento de datos al entrenar modelos generativos con información celular existente. Según su explicación, gran parte del entrenamiento utiliza instantáneas estáticas: el modelo aprende que existe un estado celular A y otro estado celular B, pero no necesariamente que B apareció como efecto de inflamar A.

HIVE intenta capturar esa secuencia mediante cientos de miles de experimentos en curso, donde tejidos enfermos reciben distintos estímulos y son observados de manera automatizada. La esperanza es que esos registros funcionen como una forma de aprendizaje por refuerzo para modelos capaces de comprender mejor las relaciones entre intervención, respuesta y enfermedad.

La promesa de terapias más complejas

La necesidad de datos causales puede volverse aún más importante si la medicina avanza hacia terapias combinadas que actúen sobre varias vías biológicas al mismo tiempo. La mayoría de los fármacos disponibles se diseña alrededor de objetivos relativamente delimitados, pero las enfermedades complejas pueden exigir combinaciones cuyo resultado sea difícil de predecir mediante ensayo y error.

Georgescu sostiene que, cuando se exploran terapias combinadas, el espacio de posibilidades “explota” y deja de ser viable un enfoque puramente experimental. Su propuesta consiste en formular primero el efecto deseado y después utilizar modelos entrenados con datos causales para identificar qué intervención, o conjunto de intervenciones, podría producirlo.

Ese enfoque no elimina la necesidad de ensayos clínicos ni convierte automáticamente los tejidos cultivados en sustitutos completos de los pacientes. Antes de que una plataforma como HIVE pueda cambiar los estándares regulatorios, deberá demostrar que sus predicciones se mantienen en múltiples enfermedades, poblaciones y tratamientos, además de superar la revisión de farmacéuticas y autoridades.

Vivodyne ha recaudado poco menos de USD $80 millones en dos rondas lideradas por Khosla Ventures, capital que respalda una apuesta todavía experimental sobre la infraestructura necesaria para la IA médica. La empresa no promete que sus robots vayan a curar el cáncer por sí solos, sino que intenta construir la base de datos que, según su diagnóstico, falta para que las promesas de la inteligencia artificial puedan medirse contra la biología humana real.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados