Después de más de una década al frente de la práctica de biotecnología de Andreessen Horowitz, que llegó a gestionar cerca de 4.000 millones de dólares, Vijay Pande se marchó en junio del año pasado para fundar la firma de inversión más pequeña VZVC junto con Zach Werner. La nueva entidad se basa en un número limitado de apuestas concentradas cada año y utiliza inteligencia artificial y agentes de software para reducir la necesidad de un equipo de inversión tradicional.
Sin embargo, el cambio en el modelo de inversión no es el único eje de la visión de Pande. Considera que la inteligencia artificial está impulsando gradualmente a la biología desde un campo dependiente de descubrimientos dispersos y de la suerte hacia un ámbito que puede diseñarse e ingeniarse en mayor medida. Esto incluye la identificación de dianas farmacológicas, el diseño de fármacos y la optimización de las fases de los ensayos clínicos, la etapa que se considera una de las partes más costosas del desarrollo de medicamentos.
Del descubrimiento al diseño
Según Pande, las tecnologías de aprendizaje automático han permitido a los ordenadores abordar una complejidad biológica que era difícil de analizar con métodos tradicionales. Durante la última década se han acumulado avances paralelos en la inteligencia artificial aplicada a la biología y a la química: la primera se centra en comprender las enfermedades y las formas de tratarlas, y la segunda, en crear compuestos dirigidos a proteínas específicas.
Estos avances no significan que el desarrollo de fármacos se haya vuelto barato o seguro. Pande afirma que el tiempo y el coste necesarios para llegar a los ensayos clínicos han empezado a disminuir, pero que realizar el ensayo todavía puede requerir cientos de millones de dólares. También señala que la probabilidad de que un fármaco pase con éxito del primer ensayo al final del tercero es de aproximadamente el 20 %, lo que significa que el fracaso de ocho de cada diez fármacos eleva el coste calculado por cada medicamento exitoso.
Pande pone en duda que el uso de datos sintéticos ya haya reducido el coste de los ensayos clínicos en la medida habitual; lo describe como una aspiración más que como una realidad conseguida. También relaciona una parte importante del fracaso de los fármacos con la limitada capacidad de los modelos animales, como los ratones, para predecir lo que ocurrirá en los seres humanos. Desde su perspectiva, un modelo de inteligencia artificial no será perfecto, pero en algunos casos podría superar la capacidad predictiva de los modelos animales.
La medicina de precisión necesita datos sobre el individuo
La visión se extiende más allá del descubrimiento de fármacos, hacia la selección del tratamiento más adecuado para cada paciente. Pande explica que la práctica médica depende en gran medida de comparar los resultados de las pruebas del paciente con promedios poblacionales, cuando la pregunta más importante podría ser hasta qué punto el resultado es inusual para esa persona en particular.
Considera que depender únicamente del genoma no es suficiente: el genoma se parece al plano de una casa cuando se construye, pero no describe necesariamente su estado años después. Por ello, otras mediciones, como la proteómica, adquieren importancia para comprender el estado actual del organismo. Además, la automatización y las mediciones robóticas proporcionan nuevas cantidades de datos que pueden vincularse con modelos de inteligencia artificial.
El problema de los datos cerrados
La biología se diferencia de los textos disponibles en internet en un aspecto fundamental: las empresas no pueden recopilar sencillamente sus datos biológicos de la web y entrenar modelos con ellos. Como resultado, cada empresa tiende a construir su propio conjunto de datos, lo que limita la posibilidad de entrenar modelos compartidos o transferir conocimientos fácilmente de un modelo a otro.
Pande cree que el desarrollo de atlas amplios de información biológica, a menudo en forma de modelos fundacionales, podría cambiar este rumbo. Prevê que los modelos biológicos de código abierto desempeñen un papel similar al de los grandes modelos lingüísticos abiertos en su competencia con los modelos comerciales. Sin embargo, esta propuesta sigue dependiendo de la disposición de las empresas y los investigadores a compartir datos de valor comercial y científico.
¿Qué cambia en la práctica?
VZVC se centra en dos áreas principales mencionadas por Pande: la inteligencia artificial para la prestación de atención sanitaria y la inteligencia artificial para los ensayos clínicos. Afirma que el fondo planea realizar unas cinco inversiones al año, no treinta, con una participación directa de él y de Werner en las empresas seleccionadas. También busca fundadores con integridad que piensen en una relación a largo plazo, no en una competencia breve para ganar una ronda de financiación muy disputada.
La conclusión más importante de las declaraciones de Pande es que el principal obstáculo para la inteligencia artificial médica no es únicamente el algoritmo. Incluso con la mejora de los modelos, la calidad, disponibilidad y posibilidad de compartir los datos siguen siendo factores decisivos. Además, el éxito de la tecnología en el laboratorio no garantiza su éxito comercial; Pande reconoce que llegar al mercado puede ser más difícil que construir la propia tecnología.
Así, la conversación presenta una visión optimista, pero condicionada: la inteligencia artificial puede mejorar la selección y el diseño de dianas farmacológicas y orientar el tratamiento, pero no puede crear datos biológicos inexistentes ni eliminar los riesgos de los ensayos clínicos. Las preguntas abiertas sobre el intercambio de datos, la validación de los modelos en seres humanos y la transformación de los resultados científicos en productos aplicables siguen siendo factores que determinarán si el paso del «descubrimiento» a la «ingeniería» se convierte en una transformación práctica de gran alcance.