Amgen diseña los medicamentos del futuro uniendo biología y tecnología

En Amgen, la ciencia siempre ha consistido en ir más allá de los límites. Desde el desarrollo pionero de terapias con proteínas recombinantes en la década de los años 80 hasta los biológicos avanzados actuales, los investigadores de Amgen siguen utilizando las últimas tecnologías para ofrecer soluciones a los pacientes.

En la actualidad, la inteligencia artificial (IA) es una de las herramientas más recientes que transforma el modo en que trabajamos, ayudando a los científicos, sin reemplazarlos.

Al combinar biología, IA y automatización, los investigadores de Amgen están consiguiendo diseñar medicamentos biológicos con precisión y propósito.

De la búsqueda al diseño: el cambio hacia la biología generativa

Durante décadas, el descubrimiento de fármacos biológicos implicaba cribar miles de proteínas naturales con la esperanza de encontrar una que funcionara. El progreso era lento e impredecible porque era como buscar una “aguja en un pajar”.

Hoy en día, ese modelo se está reemplazado por la biología generativa, un enfoque que integra biología machine learning (aprendizaje automático) y automatización para diseñar nuevas proteínas en lugar de buscarlas. Así, nuestros científicos pueden crear proteínas con las propiedades terapéuticas deseadas mediante el diseño asistido por IA.

“Estamos pasando de un modelo de ‘buscar y descubrir’ a una forma de pensar centrada en el ‘diseñar y generar’ de la función biológica”, afirma Marissa Mock, directora ejecutiva del grupo de Biología Generativa en Investigación y Desarrollo de Amgen. “Cuantos más datos introduzcamos en nuestros modelos, mejor, más rápido y con mayor éxito lograremos crear las proteínas que deseamos”, añade.

Por ejemplo, nuestros científicos han desarrollado un modelo de aprendizaje automático que predice la viscosidad (una propiedad fundamental para los medicamentos inyectables) con una precisión aproximada del 80%. Esta capacidad predictiva ayuda a reducir el riesgo de los fracasos en las últimas fases de los ensayos clínicos y aumenta la probabilidad de éxito clínico.

AlphaFold, el avance en IA que desató una revolución

El auge de la biología generativa parte de un importante avance científico. En 2020, el modelo AlphaFold, propiedad de Google DeepMind, demostró que la IA podía predecir cómo las proteínas se pliegan en estructuras 3D con una precisión casi equivalente a la de los métodos experimentales. Este fue un hito en la biología computacional y en la IA aplicada al descubrimiento de fármacos.

Durante décadas, los científicos se enfrentaron al problema del plegamiento de proteínas, es decir, cómo la secuencia de aminoácidos de una proteína se pliega en la compleja estructura tridimensional que determina su función. AlphaFold dio un paso importante para resolver este desafío, reduciendo el tiempo necesario para la predicción de estructuras de meses o años a días, y acelerando los descubrimientos en biología y medicina.

Pero predecir la estructura por sí sola no basta para crear un medicamento. Propiedades como la estabilidad de una proteína, la facilidad con la que se puede fabricar y la probabilidad de que desencadene una respuesta inmunitaria son igualmente importantes.

La siguiente frontera es la predicción de la función para averiguar cómo se comportan las proteínas en el organismo y durante su fabricación. Al pasar directamente de la secuencia a la función, evitando las complejidades de la estructura proteica, los científicos pueden anticipar su rendimiento con mayor eficacia y, potencialmente, diseñar mejores fármacos desde el inicio.

AMPLIFY, enseñando a la IA el lenguaje de las proteínas

Para avanzar en ese objetivo, Amgen se ha asociado con Mila, un instituto de investigación en IA con sede en Montreal (Canadá), para crear AMPLIFY, un modelo de lenguaje de proteínas impulsado por IA que utiliza la secuencia de aminoácidos para ayudar a predecir la función.

Así como los grandes modelos de lenguaje predicen palabras en una oración, AMPLIFY predice patrones en secuencias de aminoácidos que revelan cómo es probable que se comporten las proteínas. Su ventaja radica en que utiliza conjuntos de datos de mayor calidad, lo que permite un entrenamiento más rápido y eficiente con menor potencia de cálculo. Esto hace que el diseño avanzado de proteínas sea más accesible para científicos de todo el mundo.

AMPLIFY también es de código abierto, permitiendo así que investigadores de todo el mundo lo usen y lo mejoren. De esta manera, contribuimos a ampliar el alcance de la biología generativa en la investigación y la industria.

Y es que AMPLIFY nos brinda la capacidad de diseñar proteínas que la naturaleza quizás jamás habría creado, facilitando además su desarrollo al mejorar su estabilidad, solubilidad y facilidad de fabricación.

Aprendizaje federado: aprender de los datos y compartirlos de forma segura

En Amgen también estamos explorando el uso del aprendizaje federado, que permite a las organizaciones entrenar sistemas de IA de forma colectiva sin compartir datos brutos. Dado que ninguna empresa por sí sola posee suficientes datos de proteínas para abarcar toda la diversidad biológica, el aprendizaje federado amplía la comprensión de los modelos a la vez que protege la privacidad de los datos, con el potencial de acelerar los descubrimientos en este campo.

Estos modelos están diseñados para incorporar datos de experimentos anteriores, incluidos los resultados negativos, lo que ayuda a los científicos a evitar repetir errores del pasado. Cada resultado negativo se convierte en un dato valioso que refuerza las predicciones futuras, mejorando la precisión y la eficiencia.

Este enfoque de aprendizaje a partir de los fracasos ayuda a acortar los plazos de desarrollo, conserva los recursos y acelera el proceso desde el diseño hasta la atención al paciente.

Un bucle generativo: donde la IA se encuentra con la automatización

Para poner en práctica estas herramientas de IA a gran escala, Amgen ha desarrollado un ciclo generativo integrado de “diseño → fabricación → prueba → aprendizaje”, en el que la IA y la automatización se perfeccionan continuamente entre sí. En este proceso:

1. La IA diseña proteínas con las propiedades deseadas.


2. Los robots las fabrican y las prueban a gran escala.


3. Los resultados se retroalimentan al modelo de IA, mejorando sus predicciones.

Aun así, los investigadores supervisan el proceso, asegurando que la perspectiva humana guíe cada paso. Este ciclo ya ha triplicado la velocidad de la ingeniería de proteínas y ha reducido a la mitad los plazos de descubrimiento.

La automatización de alto rendimiento minimiza aún más los cuellos de botella, optimiza las operaciones y nos ayuda a desarrollar más terapias potenciales con mayor rapidez.

El poder de las personas y la promesa de la IA en la biotecnología

De cara al futuro, la IA ayudará a crear medicamentos biológicos de próxima generación para los pacientes que sean más precisos, eficaces y predecibles, desde el diseño inicial hasta la fabricación. Sin embargo, el poder de la IA depende del talento de los científicos que la dirigen.

“La IA es un catalizador, no un sustituto de la ciencia”, afirma Howard Chang, vicepresidente sénior de Investigación Global y director científico de Amgen. “Cuando unimos la tecnología con la biología, ampliamos las posibilidades para los pacientes”, concluye.