¿Cómo puede acelerar el descubrimiento de fármacos dar prioridad a los datos?

En mi opinión, el problema principal es que la mayoría de los equipos dedicados al descubrimiento de fármacos pasan por alto la importancia de los datos y los convierten en un aspecto secundario en el proceso de toma de decisiones.Todo el mundo quiere crear una solución que lo haga todo, que realice el modelado molecular y la predicción y que ayude a cumplir los criterios establecidos. Pero ¿es esta estrategia óptima para el desarrollador de fármacos y, lo que es más importante, para el paciente? Los datos subyacentes son esenciales y pasarlos por alto es un error grave. Creo que las empresas tienen que dar un paso atrás y reevaluar la calidad de los datos subyacentes como primer paso para consolidar su infraestructura de datos, lo que requiere una evaluación y una selección exhaustivas de todos sus conjuntos de datos.

Además, dentro del sector falta diálogo sobre las prácticas recomendadas para estandarizar los datos y para derribar los silos de datos y crear conexiones novedosas entre los conjuntos de datos. Creo que fomentar la colaboración en el sector es un paso esencial para superar este problema. Aunque todas las compañías tienen sus propias soluciones y compiten por una cuota del mercado, creo que una mejora global en ese sentido sería beneficiosa para todos. Si no se abordan los problemas de base de los estándares de datos y los métodos de estandarización, persistirán las limitaciones relacionadas con lo que se puede conseguir en este espacio.

Los cambios recientes en las prioridades de investigación subrayan lo críticos que son los datos de alta calidad en el proceso de descubrimiento de fármacos. Antes, casi todo giraba en torno a la diana farmacológica, pero la industria se ha dado cuenta de que la expresión “si entra basura, sale basura” es muy cierta: la calidad de los datos determina la calidad de los resultados. El desafío radica en integrar de un modo eficaz conjuntos de datos dispares y a menudo aislados y verificar a la vez la calidad de esos datos para mejorar los resultados del descubrimiento de fármacos.

Es prioritario establecer unos cimientos de datos sólidos o un gráfico de conocimiento que nos permitan desarrollar resultados con un alto grado de diferenciación. Estos cimientos de datos sólidos no pretenden únicamente lograr que los activos farmacológicos lleguen a la fase de aprobación, también son cruciales para evitar problemas relacionados con la propiedad intelectual en el futuro. Por ejemplo, en las primeras fases del descubrimiento de fármacos, la forma de gestionar y usar los datos puede llevar a una química totalmente diferenciada que maximizará el éxito y minimizará el riesgo de litigios por la PI.

Por tanto, el desafío clave para las organizaciones especializadas en el desarrollo de fármacos consiste en desarrollar cimientos de datos sólidos que permitan crear entidades químicas realmente únicas. Para ello hay que crear y mejorar sin descanso esos cimientos de datos para impulsar un descubrimiento de fármacos innovador. Garantizar la integridad de los datos debería ser un proceso con varias capas, desde la recopilación inicial de los datos hasta el análisis final. Las organizaciones deben adoptar prácticas estrictas de validación y selección de los datos para mantener su calidad, algo especialmente importante dada la complejidad de los conjuntos de datos utilizados en el descubrimiento de fármacos.

Además, es fundamental impulsar la colaboración dentro de los equipos y en el conjunto del sector. Compartir prácticas recomendadas y estandarizar los procedimientos empleados para el tratamiento de datos puede mejorar considerablemente la integridad global. También está ganando terreno la tendencia de crear alianzas o plataformas en las que las compañías pueden comunicarse y colaborar para resolver los desafíos de datos comunes. 

¡Totalmente! Pero creo que eso exige que las distintas organizaciones aumenten su inversión en el desarrollo del liderazgo de pensamiento relacionado con la gestión de datos.Muchas no se centran suficientemente en los datos que recopilan, en especial en los datos obtenidos en dominios públicos, una de las principales áreas de mejora.

El siguiente paso sería mejorar la colaboración entre distintas organizaciones, ya que eso sería beneficioso para todo el sector. Establecer una plataforma para compartir ideas y hablar sobre la manera de integrar los datos en los formatos de presentación de documentación regulatoria desde las primeras fases del descubrimiento de fármacos podría agilizar el proceso de aprobación.

En la esfera normativa, hay mucho debate sobre la mejora de estos procesos, pero esos análisis deben ampliarse a la gestión de los datos. Una alianza o plataforma en la que las empresas puedan reunirse con regularidad para tratar los cuellos de botella comunes y los problemas que dificultan el establecimiento de unos cimientos de datos sólidos tendría un valor incalculable. Aunque siempre se buscará una ventaja competitiva, el objetivo global debería ser beneficiar a los pacientes, que merecen tener acceso a los tratamientos más avanzados, seguros y eficaces.

Mediante la mejora de las prácticas de gestión de datos y el fomento de la colaboración, las organizaciones pueden acelerar el desarrollo y el suministro de tratamientos a los pacientes, con lo que, a la postre, mejorar el panorama general de los cimientos de datos será un gran servicio a la sociedad.

Todo el proceso de descubrimiento de fármacos se enfrenta a desafíos de diversa índole a causa de la creciente complejidad y variedad de los tipos de datos. Integrar datos biológicos, como los de bioactividad, proteómicos y farmacodinámicos, es crucial para tomar decisiones fundamentadas con rapidez, una necesidad subrayada por crisis de salud globales como la reciente pandemia de COVID-19. Estas situaciones han puesto de relieve la urgencia de agilizar el desarrollo y la aprobación de nuevos fármacos para llevarlos sin demora del laboratorio al paciente.

Además, el sector del descubrimiento de fármacos no solo se enfrenta a las dificultades técnicas de gestionar estos ingentes volúmenes de datos, sino también a problemas procedimientales. Entre ellos, la adaptación a los costes crecientes y a las exigencias regulatorias, cada vez más restrictivas, que refuerzan la necesidad de contar con estrategias sólidas de gestión de datos. Ante el crecimiento constante del volumen y la diversidad de los datos, los equipos deben analizar de manera eficiente esta información y utilizarla para impulsar los procesos esenciales de toma de decisiones.

Las estructuras organizativas tradicionales de las empresas farmacéuticas, que con frecuencia se caracterizan por tener departamentos jerárquicos y aislados, pueden obstaculizar el flujo de la información y la colaboración. Estas estructuras son especialmente problemáticas en el contexto del descubrimiento de fármacos moderno, en el que es fundamental seguir una estrategia multidisciplinar. El aislamiento de los departamentos hace que se dupliquen esfuerzos e impide un intercambio eficaz de conocimientos y datos entre los distintos equipos, lo que se traduce en oportunidades de sinergia perdidas y en más ineficiencias.

En la industria se está produciendo un cambio notable hacia la adopción de estructuras de equipos más integradas para hacer frente a estos retos, lo que permite contar en un mismo grupo con químicos computacionales, químicos médicos, biólogos estructurales y especializados en investigación, equipos de ingeniería de anticuerpos, especialistas en farmacometría y biólogos cuantitativos, según las necesidades. Estos nuevos modelos fomentan las interacciones interdisciplinares y aprovechan los conocimientos de distintos equipos, algo crucial para fomentar la colaboración.

Estas estructuras integradas permiten adoptar una estrategia más integral para el desarrollo de fármacos, gracias a la mejora de la comunicación y a la eliminación de barreras que obstaculizan el flujo de información. Esta transformación simplifica la resolución de problemas y fomenta la innovación, lo que agiliza el proceso de desarrollo de fármacos y mejora la capacidad de responder con rapidez a los nuevos hallazgos de las investigaciones o a los cambios regulatorios.

Estas adaptaciones organizativas están ganando importancia a medida que se acelera el ritmo de los avances científicos, ya que se necesitan modelos operativos más ágiles y con más capacidad de respuesta para adaptarse a la rápida evolución de las tecnologías y metodologías relacionadas con el descubrimiento de fármacos.

Esas ineficiencias pueden inhibir drásticamente la capacidad de un equipo para reaccionar ante la información nueva y adaptar las estrategias.Esto puede alargar el ciclo de desarrollo e incrementar el plazo de comercialización de los nuevos medicamentos. Más allá de la mera ralentización de los procesos, estas ineficiencias puede provocar importantes pérdidas financieras, ya que los retrasos en los proyectos se traducen en oportunidades de mercado perdidas y en una disminución del retorno de la inversión. Además, cuando no se aprovecha todo el potencial de los datos, pueden desecharse prematuramente o pasarse por alto candidatos farmacológicos viables, lo que supone un revés importante para la innovación terapéutica.

La selección y la limpieza de datos son actualmente grandes retos para las empresas, ya que son procesos que generan una enorme carga de trabajo. La integración de varios conjuntos de datos puede introducir anomalías y plantear preguntas importantes sobre si ciertos segmentos de datos se deben eliminar y sobre las posibles consecuencias posteriores de estas eliminaciones, algo parecido al efecto mariposa en la investigación científica.

Es aquí donde la inteligencia artificial (IA) puede ser una herramienta muy valiosa. La IA tiene el potencial de proporcionar una información más profunda y mejorar la capacidad de previsión, en especial al predecir y gestionar el impacto de la integración de los datos. Al facilitar la limpieza, la validación y la selección de los datos, la IA puede simplificar mucho estos procesos, mitigar los riesgos y mejorar la calidad de los datos gestionados.

Adoptar técnicas computacionales avanzadas y adaptarse a ellas, en especial en plataformas que incorporen la inteligencia artificial y el aprendizaje automático, es cada vez más importante. Estas tecnologías pueden procesar conjuntos de datos grandes con más eficiencia y mejorar la precisión de la predicción de resultados, lo que agiliza todo el proceso de desarrollo de fármacos. La IA, por ejemplo, impulsa las primeras fases del descubrimiento de fármacos mejorando la predicción de las interacciones entre fármaco y diana y optimizando la selección de candidatos prometedores.

El problema principal en el panorama actual de la implementación de la IA en el sector del descubrimiento de fármacos es la prisa por integrarla sin una estrategia clara o una buena comprensión de sus posibles beneficios. Muchas organizaciones intentan usar la IA en distintas aplicaciones sin identificar los puntos fuertes de estas y los aspectos en los que la IA puede amplificar sus fortalezas, como la agrupación de datos, la simulación molecular o el cribado virtual.

Un paso esencial para integrar la IA con éxito es definir cómo interactuará y mejorará el trabajo con varios conjuntos de datos. Es esencial entender y vincular estos conjuntos de datos con eficacia en el entorno operativo de un cliente. Esto exige integrar las soluciones de IA fácilmente con los sistemas existentes y garantizar que los conocimientos generados con IA concuerden con los puntos de datos establecidos.

El verdadero poder de la IA reside en su potencial para facilitar la comunicación entre distintos conjuntos de datos, lo que permite realizar análisis de datos más profundos que van más allá de la capacidad humana. Esto podría acelerar el desarrollo de nuevos fármacos mediante una identificación rápida de candidatos más eficaces. Sin embargo, a pesar del potencial de la IA para revolucionar las simulaciones y los modelos predictivos, el campo del descubrimiento de fármacos se sigue enfrentando a retos para maximizar el valor extraído de los conjuntos de datos y mejorar la compatibilidad de los datos. La calidad de los resultados y la interpretación de la IA vendrá determinada por la calidad de los cimientos de datos (fuentes de datos de calidad, datos bien estructurados, compatibilidad, intercomunicación o puntos de unión de los conjuntos de datos, diversidad de los datos, etc.).

La prioridad debería ser mejorar la interacción de los conjuntos de datos y la forma en que la IA puede derivar e interpretar capas de datos complejas para proporcionar información valiosa que se pueda aplicar directamente al desarrollo de fármacos. Esta estrategia mejorará la eficiencia del proceso de descubrimiento y garantizará el desarrollo de nuevos tratamientos que podrán llegar a los pacientes de un modo más eficaz.

Los rápidos cambios que se están produciendo en el panorama del descubrimiento de fármacos hacen necesario que las compañías adopten nuevas tecnologías y desarrollen constantemente sus modelos de negocio y sus estrategias operativas para mantener la competitividad. Implementar sistemas avanzados de obtención, análisis y gestión de datos es crucial en este contexto. Es igual de importante fomentar una cultura que acepte el cambio e impulse la alfabetización de datos en las organizaciones. Esa cultura permite a los equipos tomar decisiones fundamentadas con rapidez y favorece el desarrollo de modelos operativos dinámicos y con capacidad de respuesta.

Además, se necesitan marcos de gobernanza de datos flexibles para garantizar la integridad y la accesibilidad de los datos, que son componentes esenciales para permitir el cumplimiento normativo, facilitar la innovación y posibilitar el desarrollo de tratamientos farmacológicos seguros para los pacientes. Estas adaptaciones integrales ayudan a las compañías a abordar de manera eficiente las complejidades del entorno de descubrimiento de fármacos actual y garantizan que están capacitadas para responder a los nuevos desafíos y oportunidades.

Si pudiera introducir una única mejora esencial en el campo del descubrimiento de fármacos, sería una mayor integración de las herramientas de software. Actualmente, muchos laboratorios y centros de investigación usan varias plataformas que no se comunican eficazmente entre ellas, lo que causa ineficiencias y retrasos en el proceso de descubrimiento. Mejorar la interoperabilidad entre estas herramientas nos permitiría acelerar el desarrollo de nuevos tratamientos y mejorar la eficacia global del proceso de descubrimiento de fármacos, lo que llevaría a unos resultados mejores para los pacientes. Estamos juntos en esto y todos queremos proporcionar a los pacientes tratamientos que alarguen su vida y alivien la enfermedad.