A medida que el mundo cotidiano se sumerge en la tecnología y nos volvemos cada vez más dependientes de los ordenadores para que nos ayuden con las tareas cotidianas, el campo de las ciencias de la vida está siguiendo el mismo camino en relación a la utilización de la inteligencia artificial (IA). Las empresas biológicas, especialmente las que ofrecen productos para la venta, como los equipos médicos o las del sector de los servicios, están empezando a confiar en la IA para aumentar la eficiencia del rendimiento.
De hecho, las empresas que participaron en la encuesta anual sobre el estado de la IA de McKinsey Analytics 2020[1] informaron de un aumento de los ingresos del 60-80% tanto en los departamentos de marketing como en los de ventas y operaciones de servicio debido a la adopción de prácticas de IA. Los usuarios de IA de alto rendimiento afirmaron que la IA proporciona resultados más eficientes y eficaces cuando existen estrategias bien diseñadas y ejecutadas para adoptar la tecnología, personal adecuadamente formado y educado para supervisar la gestión de la IA, y se introducen actualizaciones y datos adecuados en la IA para permitirle trabajar de forma optimizada.
Una de las ventajas más significativas de la adopción de programas de IA es el nivel de personalización permitido para las necesidades individuales de una empresa. Las necesidades de datos y producción de una empresa de investigación médica son muy diferentes a las de un laboratorio de sistemas medioambientales. La IA permite a las empresas personalizar sus requisitos específicos, ya sea en el frente digital de la gestión y el almacenamiento de datos o en el ámbito físico de las máquinas utilizadas para la producción y la fabricación. La mayoría de las empresas que emplean la IA también consideran preferible y factible formar a sus propios técnicos informáticos para que implementen, gestionen y solucionen los problemas del sistema, lo que resulta más rentable que contratar a expertos externos.
A pesar de todas las ventajas de adoptar prácticas de IA, sigue habiendo riesgos al permitir que los sistemas generados por ordenador se hagan cargo de la producción y aplicación de aspectos vitales de una empresa de ciencias de la vida. La ciberseguridad, el cumplimiento de la normativa y la protección de la privacidad siguen siendo los principales riesgos cuando se trata de un programa de IA. Tener en cuenta estos riesgos parece situar a las empresas biológicas en dos bandos diferentes: 1. dispuestas a asumir riesgos y trabajar para mitigarlos para emplear la IA o 2. que no se sienten cómodas con el nivel de riesgo, por lo que deciden no utilizar la IA.
En general, las empresas que optan por implantar sistemas de IA consideran que las recompensas superan a los riesgos si se dedican el tiempo y los recursos necesarios para entender cómo funciona el sistema y qué beneficios puede aportar.
La inteligencia artificial, en su forma más básica, puede realizar tareas sencillas y seguir supuestos lógicos básicos como “Si X es cierto, entonces debe ocurrir Y”. Sin embargo, a medida que la tecnología avanza, esta aplicación simplista se queda rápidamente obsoleta. Los estudios han demostrado que el cerebro humano puede interpretar ecuaciones más complicadas que las que puede manejar un sistema básico de IA[2].
El aprendizaje automático (ML) lleva la inteligencia artificial al siguiente nivel. Al construir modelos basados en datos empíricos, el aprendizaje automático puede abordar problemas más complejos y multidimensionales. Así, mediante su implementación, podemos lograr nuevas tecnologías como los coches autoconducidos y los sistemas inteligentes activados por voz como Alexa y Siri.
El aprendizaje automático se basa en un proceso de cuatro pasos en el que primero se adquieren los datos para el modelado y el entrenamiento. A continuación, los datos se normalizan para construir y utilizar el modelo a través del cual se ejecutan múltiples iteraciones. Por último, se realizan patrones y predicciones interpretando y determinando los patrones revelados a través de los resultados de las ejecuciones del modelo.
Con la tecnología avanzando a un nivel exponencial cada día, el aprendizaje automático avanzado, también conocido como aprendizaje profundo, no sólo es posible, sino que también está empezando a aplicarse a los campos de las ciencias de la vida como la investigación de cultivos y los productos farmacéuticos. El aprendizaje profundo es el proceso por el cual una IA va más allá de la interpretación y el análisis de conjuntos de datos y comienza a formular soluciones novedosas y nuevas formas de abordar los problemas científicos. Estos programas de aprendizaje ya han demostrado ser fundamentales en el campo de las ciencias de la vida. Por ejemplo, un programa de IA llamado DeepMind resolvió el misterio de la predicción del plegado tridimensional de las proteínas, una cuestión científica que llevaba más de cincuenta años sin respuesta.
Las implicaciones de este tipo de tecnología para los campos de las ciencias de la vida permiten la investigación y el desarrollo asistidos por la inteligencia artificial, el aprendizaje automático activo a medida que se implementan los procesos de producción y el acceso a un nivel de eficiencia que los humanos por sí solos no podrían alcanzar. Además de la capacidad de cálculo del aprendizaje automático para ayudar en la investigación, los sistemas de gestión de la información de laboratorio (LIMS) pueden trabajar de forma conjunta con la inteligencia artificial, especialmente hacia el objetivo de una gestión eficiente de los datos para los flujos de trabajo complejos.
En general, las empresas de ciencias de la vida que optan por aplicar prácticas de IA se están viendo recompensadas por los resultados, especialmente a la luz de la pandemia de COVID-19.
Desde el año 2020 y el gran cierre de innumerables empresas debido a la pandemia de COVID-19, la IA ha sido más fácilmente aceptada para su uso en los campos de producción y desarrollo[3]. La necesidad de mantener la producción de las empresas esenciales, especialmente en los sectores médico, farmacéutico y energético, se hizo incómodamente evidente cuando la pandemia obligó a los trabajadores a quedarse en casa, y la producción se ralentizó o incluso se detuvo por completo en la mayoría de las empresas.
Con la llegada de la IA y las máquinas de producción automatizadas que pueden aprender programas y ejecutar funciones de producción históricamente implementadas por seres humanos, la necesidad de cuerpos vivos en la planta de producción ha disminuido drásticamente. Además, el almacenamiento y la gestión de los datos pueden manejarse de forma remota a través de un LIMS que está vinculado a la nube, por lo que se ha eliminado la gestión de datos in situ y la necesidad de un voluminoso almacenamiento manual de datos. Esto permite a las empresas reducir los costes y seguir ofreciendo un alto índice de producción a pesar de las emergencias que pueden hacer que las personas no acudan físicamente al trabajo.
La pandemia de COVID-19 también ha puesto de manifiesto la necesidad de procesos como la identificación precisa de la enfermedad, la previsión predictiva de los brotes epidémicos tanto geográfica como temporalmente, y el rápido desarrollo y fabricación de vacunas eficaces. Todas estas necesidades pueden abordarse y llevarse a cabo con un grado de eficacia superior al actual mediante el uso de la inteligencia artificial.
No sólo se están aplicando programas sencillos de IA, sino que el aprendizaje automático – un nivel superior de inteligencia artificial que puede calcular algoritmos más complejos y utilizar el razonamiento predictivo – también se ha convertido en una tecnología emergente con muchos usos prometedores.
La investigación farmacéutica nunca ha sido tan crítica, sobre todo a la luz de la reciente pandemia de COVID-19 y de las enfermedades y afecciones que siguen asolando a la humanidad sin ninguna solución de tratamiento eficaz. La fabricación de un nuevo fármaco cuesta una media de 2.000 millones de dólares y su desarrollo y comercialización lleva entre diez y quince años[4]. Esta estadística ni siquiera tiene en cuenta que sólo 1 de cada 5.000 a 10.000 compuestos producidos durante la fase de investigación y desarrollo pasan a los ensayos clínicos y que el 90% de los fármacos probados en los ensayos clínicos fracasan debido a su ineficacia o a los peligros para la salud.
Además de los obstáculos que debe superar el descubrimiento de fármacos, el mercado farmacéutico está saturado de compuestos conocidos y probados para enfermedades comunes, pero que no son eficaces contra enfermedades más complejas y difíciles. Sin embargo, explorar el campo de los compuestos farmacológicos nuevos y originales no es un campo en el que muchos estén dispuestos a invertir debido a la alta tasa de fracasos.
Aquí es donde el aprendizaje automático puede ayudar al campo farmacéutico a crecer a pasos agigantados. Mientras que las limitaciones humanas hacen que las pruebas de miles de compuestos, ya sea en entornos hipotéticos o empíricos, puedan llevar años y, por tanto, costar miles de millones de dólares, el mismo proceso, si lo lleva a cabo la IA, puede reducir significativamente el tiempo y los costes a la mitad[5]. Tradicionalmente, el descubrimiento de un compuesto eficaz en la fase de investigación y desarrollo lleva unos seis años y mil millones de dólares. Sin embargo, ese plazo podría reducirse a sólo tres años y costar aproximadamente 600 millones de dólares con el ML[6].
Los programas de IA serían capaces de clasificar y descartar candidatos improbables más rápido que los humanos y podrían incluso descubrir compuestos novedosos y pensar en nuevas formas de abordar la solución de una enfermedad que el cerebro humano aún no ha sido capaz de desvelar. Estos programas también podrían comunicarse directamente con un sistema de gestión de la información del laboratorio para catalogar y ejecutar análisis de datos sobre candidatos a fármacos improbables, potenciales y exitosos para evitar aún más los errores en la gestión de datos.
El LIMS actúa como repositorio central de los datos producidos en el laboratorio, proporcionando un mecanismo directo que permite a la IA/ML minar a través de los datos de calidad, permitiendo a los gestores tomar decisiones basadas en conocimientos. “Para los laboratorios, especialmente los de las empresas biofarmacéuticas, los algoritmos pueden acelerar el desarrollo de productos. Esto, a su vez, mejora el desarrollo de nuevos medicamentos críticos para los pacientes”[7].
La gestión automatizada de datos de flujos de trabajo complejos en STARLIMS puede ayudar en el análisis de datos necesario en las empresas de ciencias de la vida para impulsar el nuevo mundo de la investigación asistida por IA/ML.
[1] The State of AI in 2020. https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/global-survey-the-state-of-ai-in-2020
[2] Ahmad, A. S. and Sumari, A. D. W. 2017. Cognitive artificial intelligence: brain-inspired intelligent computation in artificial intelligence. In 2017 Computing Conference, pp. 135-141. IEEE.
[3] The Increasing Use Of AI In The Pharmaceutical Industry (forbes.com)
[4] Harnessing Data Science And AI For Drug Development Innovation. https://www.pharmaceuticalonline.com/doc/harnessing-data-science-and-ai-for-drug-development-innovation-0001
[5] Ibid (ref 4).
[6] Ibid (ref 4).
[7] LIMS Trends 2020: Digital Transformation Drives Changes in Laboratories. https://solution4labs.com/en/blog/lims/lims-trends-2020
