artículo de la revista nature
eLabBlog

Cómo sacar el máximo partido de la IA en la investigación biofarmacéutica

Por eLabNext 5 minutos de lectura 20 jun 2022

El aprendizaje automático puede ayudar a los investigadores a realizar tareas científicas con mayor rapidez y eficacia, siempre que los laboratorios tomen medidas para garantizar una integración perfecta.

Los macrodatos han llegado para quedarse. Pero a pesar de su inmenso potencial, plantea retos sin precedentes a los investigadores del sector. "Los científicos, desde los técnicos de investigación hasta los investigadores principales, dedican demasiado tiempo a buscar datos", afirma Zareh Zurabyan, director de eLabNext, especialista en digitalización de laboratorios.

No pasará mucho tiempo antes de que haya demasiados datos para gestionar sin ayuda. "La rápida aceleración de la generación de datos ha superado el ritmo al que los seres humanos pueden digerirlos de forma significativa", afirma el fundador y director general de eLabNext, Erwin Seinen. "Esto significa que la inteligencia artificial (IA) se convertirá en una necesidad, no sólo en una novedad, para la biotecnología".

Existen numerosas oportunidades para que el aprendizaje automático y otras herramientas basadas en la IA transformen el proceso de investigación. Estos algoritmos pueden, por ejemplo, gestionar la ejecución de experimentos automatizados con múltiples instrumentos o identificar patrones en un proceso de investigación. Cuando estas herramientas se acoplan directamente a cuadernos electrónicos de laboratorio (ELN), como el desarrollado por eLabNext, es posible integrar a la perfección las capacidades de IA en el flujo de trabajo diario de los investigadores.

El uso de la IA en el desarrollo de fármacos aún no es habitual. Investigación de Deloitte en 2021 descubrió que 38% de las empresas biofarmacéuticas encuestadas utilizan la IA a diario, aunque otras 31% están investigando el uso de este tipo de herramientas.

"En muchos casos, hemos observado que la alta dirección está totalmente a favor de integrar la IA en su trabajo de investigación, descubrimiento de fármacos y medicina de precisión", afirma Taylor Chartier, fundador y CEO de Modicus Prime, una empresa de IA centrada en las ciencias de la vida. Pero señala que la introducción de tales capacidades puede ser una lucha. "Las empresas farmacéuticas no son empresas de software". La digitalización efectiva requiere acceso a herramientas y servicios externos basados en IA que minimicen el dolor de la integración con los flujos de trabajo existentes, agrega.

Para los laboratorios que carecen de software, la adopción de herramientas de IA ofrece muchas ventajas. Y para los que ya están digitalizados, existen estrategias para aprovechar al máximo las tecnologías de IA. eLabNext está complementando su plataforma ELN con dos complementos de IA, desarrollados por Modicus Prime e ImmunoMind, una startup especializada en multiómica unicelular para el desarrollo de terapias celulares, con el objetivo de satisfacer a la perfección las necesidades de datos de los laboratorios biofarmacéuticos, desde el análisis de imágenes hasta la identificación celular.

¿Cómo puede servir la IA?

A los recién llegados al mundo de la IA puede resultarles difícil distinguir entre el bombo publicitario y la realidad en cuanto a lo que los sistemas pueden hacer. "En general, la IA puede resolver tres tipos de problemas", explica Vadim Nazarov, cofundador y consejero delegado de ImmunoMind. "Puede automatizar tareas pequeñas y sencillas, aumentar el rendimiento de algunas tareas complicadas o, si se dispone de muchos datos, brindar la oportunidad de extraer conocimientos".

Antes de que una empresa biofarmacéutica decida adoptar un nuevo sistema basado en IA, debe tener una idea clara de los problemas que quiere resolver y de cómo una herramienta puede agilizar o mejorar los procesos existentes. Esto obliga a las empresas de IA a desarrollar herramientas con aplicaciones claras y convincentes. "Hay empresas de IA realmente increíbles que tienen acceso a enormes cantidades de datos", afirma Chartier. "Pero cada vez que introduces una nueva tecnología, tiene que ser muy relevante para el cliente específico".

Para Modicus Prime, esto ha supuesto desarrollar una herramienta de análisis de imágenes basada en IA que puede entrenarse fácilmente para problemas de investigación específicos. Chartier señala que el análisis y la interpretación computacional de imágenes es una de las aplicaciones más maduras de la IA en las ciencias de la vida. El software mpVision de su empresa puede analizar rápidamente la mayoría de las categorías de datos de imágenes biotecnológicas. Por ejemplo, los usuarios pueden distinguir células de interés de otros tipos de células o de restos celulares, detectar anomalías durante la producción de fármacos, caracterizar procesos de cristalización o realizar un rápido control de calidad de productos biológicos a cualquier escala, desde la mesa de laboratorio hasta la planta de fabricación.

El software de ImmunoMind está diseñado para aplicaciones inmunológicas más específicas y se basa en datos proteómicos, transcriptómicos y de otros tipos para ayudar a identificar subpoblaciones de células T y caracterizar su estado fisiológico. Esto puede ser especialmente importante para el control de calidad en áreas como la inmunoterapia del cáncer, en la que se cultivan subconjuntos de células T derivadas de donantes y se manipulan genéticamente para atacar y destruir selectivamente el tejido tumoral. "Encontrar relaciones entre la expresión génica y los distintos fenotipos celulares es muy importante para el desarrollo de terapias celulares", afirma Nazarov. "Son tareas que simplemente no pueden resolverse con métodos estadísticos tradicionales, sólo con algoritmos de aprendizaje automático".

El laboratorio preparado para la IA

En el ámbito de la IA, los datos son los reyes. El rendimiento de un algoritmo depende en gran medida de la calidad tanto de los datos de entrenamiento como de los resultados experimentales con los que se alimenta posteriormente.

ImmunoMind ha abordado el primer problema creando una base de datos de formación basada en el análisis multiómico de un gran número de células inmunitarias. A continuación, la empresa ofrece un portal de fácil uso para que los investigadores extraigan información sobre sus propias células a partir de estos datos. "Trabajamos en estrecha colaboración con los clientes para ayudarles a diseñar experimentos y medidas de control de calidad que eliminen todos los riesgos asociados a los efectos de lote y los sesgos de los experimentos no ideales", explica Nazarov. Por el contrario, el marco de análisis de imágenes más generalizado de mpVision es entrenado por el usuario; Chartier afirma que tan sólo 20 imágenes representativas de un proceso experimental concreto pueden bastar para preparar a la IA para evaluar datos futuros del mismo proceso.

Ninguno de estos complementos requiere una formación formal en IA o conocimientos de biología computacional, y las interfaces de fácil uso son un componente estándar. Contar con la infraestructura de gestión de datos adecuada, como un sistema de gestión de la información de laboratorio (LIMS), también es crucial para hacer un uso eficaz de las herramientas de IA.

Zurabyan sugiere que las empresas pueden acelerar aún más la adopción si cuentan con personal centrado en esta tarea. "Un enfoque bien recibido es contar con jefes de equipo que dediquen tiempo y esfuerzo a elaborar estrategias de implantación de nuevas tecnologías en un plazo concreto, con objetivos e hitos muy claros", afirma.

Para el personal de laboratorio que no entiende del todo lo que hacen los algoritmos, existe un miedo natural a lo desconocido; de hecho, muchos sistemas de IA han sido criticados como "cajas negras", que se basan en procesos enrevesados y oscuros. Pero los desarrolladores de IA pueden lograr cierta transparencia explicando los modelos matemáticos subyacentes y proporcionando procedimientos de auditoría que permitan a los usuarios comprobar el trabajo de la máquina. Esto es especialmente importante en el caso del software científico destinado a entornos estrictamente regulados, como las instalaciones de buenas prácticas de fabricación (BPF). Las ELN que cumplen las GxP, como la plataforma eLabNext, lo consiguen rastreando y registrando automáticamente el movimiento de datos en todo el sistema y sus diversos complementos.

Chartier anima a los investigadores a pensar en los sistemas de IA como posibles asistentes de su rutina de investigación habitual. "La IA solo les está ayudando a hacer lo que hacen bien, pero de forma más rápida y eficiente".

 

nature research custom media

Leer en Nature

Recomendado Para ti

4 min leer 20 de junio de 2024
Por Zareh Zurabyan

5 Retos operativos de los biobancos

Explore los retos operativos a los que se enfrentan los biobancos, desde la gestión de la cantidad de muestras hasta la garantía de la seguridad de los datos y la preparación ante catástrofes.

Leer Mas
8 min leer 18 de junio de 2024
Por eLabNext

Garantizar la seguridad de los datos de laboratorio: Buenas prácticas y tecnologías emergentes

Mejore la seguridad de los datos de su laboratorio con nuestra guía de buenas prácticas. Proteja los datos confidenciales, mitigue los riesgos y explore lo último en soluciones de gestión de datos de laboratorio.

Leer Mas
4 min leer 13 de junio de 2024
Por Simon Delagrave, Doctor

Para tener éxito en la I+D biofarmacéutica: flujos de información y planificación anticipada

Descubra cómo una comunicación precisa y unos datos formateados ahorran tiempo, aumentan la productividad y alinean a las partes interesadas, desde los inversores hasta las autoridades reguladoras.

Leer Mas

Comience su viaje hacia un
Laboratorio Digital hoy mismo

Programe una demostración personal para obtener la orientación de un experto y una evaluación gratuita del flujo de trabajo del laboratorio.

es_MXES