https://www.exponentialview.co/p/ev-317
Aquí hay dragones
🧬 Los avances en aprendizaje automático e IA están alimentando una era de descubrimiento en biología, farmacia y medicina. La importancia de esto es que por primera vez estamos viendo mecanismos subyacentes detrás de la biología que no han sido accesibles para nosotros antes, y utilizando el creciente conocimiento para encontrar nuevos medicamentos, nuevas formas de alimentar al mundo y resolver el cambio climático. He cubierto esto antes en el boletín y en el podcast con Josh Hoffman de Zymergen, Vijay Pande de A16Z y la nanocientífica Sonia Contrera. Debido al enorme poder de la nueva biología para catalizar el cambio, no ignoraríamos la política y la educación cívica de la industria. La industria tiene la oportunidad de promover la equidad, la ética y el diálogo global en las próximas dos décadas
La biología sintética tiene muchas promesas, como explica este informe del Foro Económico Mundial, si has tenido una hamburguesa de comida imposible, ya has experimentado algo de esa promesa. Pero la biología sintética es útil para algo más que buenos alimentos: es responsable de las vacunas contra el coronavirus de ARNm, podría conducir al almacenamiento de datos de ADN (revolucionando nuestra capacidad de almacenar datos a escala global) y podría conducir a la creación de productos químicos verdes y plásticos biodegradables que pueden movernos hacia un futuro sostenible.
*****************************************************************************************
Las técnicas de aprendizaje automático de vanguardia se adaptan y aplican cada vez más a los datos biológicos, incluso para COVID-19.
El panorama general: descubrir y desarrollar un nuevo medicamento suele tomar más de una década y cuesta en promedio cerca de mil millones de dólares, lo que dificulta la construcción de un alijo de productos farmacéuticos para combatir futuras pandemias o detener enfermedades insolubles.
- Pero los científicos están combinando dos saltos científicos, en algoritmos de aprendizaje automático y potentes herramientas de imágenes biológicas y secuenciación, para tratar de estimular el progreso en la comprensión de enfermedades y avanzar en la propia IA.
Qué está sucediendo: El mes pasado, los investigadores informaron que utilizaban una nueva técnica para averiguar cómo se expresan los genes en las células individuales y cómo interactúan esas células en las personas que habían muerto con la enfermedad de Alzheimer, lo que permite a los científicos comprender mejor el desarrollo de una afección que afecta a casi 6 millones de estadounidenses.
- Los algoritmos de aprendizaje automático también se pueden utilizar para comparar la expresión de genes en células infectadas con SARS-CoV-2 con células tratadas con miles de medicamentos diferentes con el fin de tratar de predecir computacionalmente medicamentos que podrían inhibir el virus, dice Kris White, que estudia tratamientos antivirales en la Escuela de Medicina de Icahn en Mount Sinai y está llevando a cabo investigaciones que utilizan este enfoque y aún no se han publicado.
- Sí, pero: Los resultados algorítmicos por sí solos no prueban que los medicamentos sean lo suficientemente potentes como para ser clínicamente eficaces. Pero pueden ayudar a identificar objetivos futuros para antivirales o podrían revelar una proteína que los investigadores no sabían que era importante para el SARS-CoV-2, proporcionando una nueva visión sobre la biología del virus, dice White.
Estos y otros avances están alimentando centros y startups que aplican la IA al descubrimiento de fármacos, incluida una inversión de 400 millones de dólares el mes pasado en el insitro de la empresa, que utiliza datos de aprendizaje automático y genómica para identificar nuevos candidatos a medicamentos o existentes que se pueden reutilizar para tratar enfermedades neurodegenerativas.
- No están solos: a finales de 2019, el 40% de las 180 startups que aplican IA al descubrimiento de fármacos se centraron específicamente en crear nuevos candidatos a medicamentos o reutilizar los medicamentos existentes, según Deloitte.
- El aprendizaje automático “va a cambiar drásticamente drásticamente los plazos en al menos algunas partes del proceso”, dijo el CEO de insitro, Daphne Koller, al Financial Times.
Entre líneas: el poder de la IA radica en su capacidad de tamizar los datos y encontrar patrones útiles mucho más rápido de lo que los humanos podrían hacer solos. Hasta ahora, eso se ha utilizado principalmente para turboalimentar recomendaciones de películas, canciones y productos en la web.
- Pero “la biología requiere más que eso”, dice Caroline Uhler, codirectora del Centro Eric y Wendy Schmidt, una iniciativa de 300 millones de dólares lanzada el mes pasado en el Broad Institute para centrarse en la intersección del aprendizaje automático y la biología.
- Predecir si alguien hará clic en un anuncio, por ejemplo, no requiere entender la interacción de todos los factores que contribuyen detrás de esa decisión, dice. Pero crear un medicamento para atacar una proteína involucrada en una enfermedad requiere entender cómo se regulan los genes que dan lugar a esa proteína.
- “En biología, realmente necesitas entender los mecanismos subyacentes”, dice Uhler.
Uno de los desafíos es que los datos biológicos vienen en muchas formas: código de ADN, por supuesto, pero también la expresión de genes, señales eléctricas, imágenes y más que se capturan en diferentes instantáneas en el tiempo y luego tienen que ser cosidos para obtener una imagen completa de lo que está sucediendo en un paciente.
Qué ver: Al igual que con la aplicación de la IA en otros campos, hay preocupaciones reales sobre el sesgo en los conjuntos de datos utilizados para construir modelos de aprendizaje automático.
- Una dependencia excesiva de los datos genómicos de personas de una raza, género o geografía en particular puede sesgar las predicciones de un algoritmo para otras personas, lo que plantea preocupaciones sobre diagnósticos erróneos o atención médica desigual.
- Se están desarrollando métodos que explican o interpretan cómo los modelos llegan a los resultados y pueden ayudar a ver si se toman decisiones sesgadas y evitar cualquier posible problema de sesgo, dice Jay Shah, estudiante de posgrado de la Universidad Estatal de Arizona y miembro del IEEE que está desarrollando modelos de aprendizaje profundo para detectar marcadores biológicos para la enfermedad de Alzheimer.
La intriga: Gran parte del enfoque está en lo que la IA puede hacer por la medicina y la biología, pero Uhler y su codirector del Broad Institute Anthony Philippakis, que tienen experiencia en estadística, dicen que los datos biológicos matizados y complejos capturados por imágenes y secuenciación podrían ayudar a crear algoritmos poderosos que capturen causa y efecto en un sistema.
- Eso representaría un salto adelante para la IA, que sigue siendo la mejor para identificar correlaciones, dejando la cuestión de la causa a los científicos humanos.
- “Algunos de los problemas específicos en los que estamos trabajando en relación con la biología nos están estimulando a avanzar más rápido en la ciencia del aprendizaje automático en algunas áreas”, dijo Yoshua Bengio, pionero de la IA y profesor de la Universidad de Montreal que está colaborando con los investigadores del Broad Institute, en un correo electrónico, citando su trabajo sobre la aplicación de algoritmos para buscar fármacos candidatos al descubrimiento de nuevos materiales.
La conclusión: fusionar la IA y la biología puede no ser solo otra herramienta para entender la medicina. La biología podría ser “un impulsor para la próxima generación de avances en el aprendizaje automático”, dice Philippakis.