Pharmaceutical Technology 31 Edición Sudamérica 2025 - N º197 pueden modelar y analizar las condiciones y los requisitos para la ampliación, acelerando el proceso en general”, señala. “En el diseño de productos biológicos, por ejemplo, los algoritmos de aprendizaje automático pueden sugerir modificaciones a un anticuerpo o una proteína para mejorar su eficacia y estabilidad, o incluso ayudar a diseñar nuevas proteínas terapéuticas desde cero”, afirma Kuntin. Esto significa que podemos generar y evaluar una gama más amplia de opciones terapéuticas mediante simulación por computadora antes de pasar a los experimentos de laboratorio, lo que ahorra tiempo y recursos. He visto casos en los que un modelo de IA predice cómo un cambio en la estructura de una molécula podría afectar su función o cómo un subgrupo de pacientes en particular podría responder a una terapia; información que habría llevado mucho más tiempo obtener mediante ensayo y error en el laboratorio. Según Cobaugh, la IA también está ayudando a diseñar terapias con oligonucleótidos antisentido y a localizar sitios de edición genética. También considera que la IA desempeña un papel en la predicción y el diseño de antígenos para tratamientos personalizados de enfermedades. También hemos visto cómo herramientas como Alpha-Fold3 utilizan el aprendizaje automático para predecir con precisión las estructuras de la mayoría de las biomoléculas, que incluyen proteínas y ácidos nucleicos, reduciendo lo que antes era el trabajo de una tesis a uno o dos días de tiempo de procesamiento. Laboratorios como el de David Baker ahora pueden adoptar un enfoque de novo para diseñar proteínas completamente sintéticas con funciones específicas en mente, afirma Cobaugh. El proceso de desarrollo puede optimizarse mediante la digitalización, utilizando análisis de datos avanzados y automatización en la investigación preclínica,
RkJQdWJsaXNoZXIy NzE4NDM5