De les proteïnes i AlphaFold al disseny de tractaments: com la intel·ligència artificial està redefinint la descoberta de fàrmacs
Descobreix com la IA accelera el descobriment de nous medicaments: dianes terapèutiques, AlphaFold, disseny molecular, assaigs clínics i medicina de precisió.
Com pot accelerar la IA el descobriment de nous medicaments?
Descobrir un nou medicament és un procés llarg, costós i amb un risc molt elevat de fracàs.
Abans que un tractament arribi a una persona, cal identificar una malaltia, entendre els seus mecanismes biològics, trobar una possible diana terapèutica, dissenyar o seleccionar molècules candidates, comprovar-ne la seguretat, validar-ne l’eficàcia i superar diverses fases d’assaigs clínics i regulació.
Tradicionalment, aquest recorregut pot ocupar més d’una dècada.
La intel·ligència artificial no elimina aquesta complexitat ni substitueix els experiments, els assaigs clínics o l’avaluació reguladora. Però pot ajudar a reduir temps, prioritzar hipòtesis, analitzar dades a gran escala i concentrar recursos en les opcions amb més probabilitat d’èxit.
Aquesta és la gran promesa de la IA en el descobriment de medicaments: no fabricar fàrmacs “amb un clic”, sinó fer més intel·ligent, ràpid i dirigit un procés que continua depenent de la biologia, la química, el laboratori i la validació clínica.
Què és el descobriment de medicaments?
El descobriment de medicaments és la fase inicial del desenvolupament farmacèutic. Consisteix a trobar i validar substàncies que puguin intervenir sobre un mecanisme biològic relacionat amb una malaltia.
Un procés simplificat acostuma a incloure:
- comprendre la malaltia;
- identificar una diana terapèutica;
- trobar o dissenyar molècules candidates;
- comprovar si aquestes molècules actuen sobre la diana;
- optimitzar-ne eficàcia, seguretat i propietats farmacològiques;
- validar-les en estudis preclínics;
- iniciar assaigs clínics amb persones.
Cada etapa pot descartar milers de candidats.
Per això, una gran part del valor de la IA consisteix a decidir millor què investigar primer.
Per què és tan difícil descobrir un nou medicament?
El cos humà no és una màquina simple.
Una mateixa malaltia pot implicar gens, proteïnes, cèl·lules, teixits, sistema immunitari, metabolisme, estil de vida i factors ambientals. A més, una molècula que sembla prometedora en un model computacional o en una placa de laboratori pot fallar després per toxicitat, manca d’eficàcia o problemes d’absorció.
Els principals reptes són:
- una enorme quantitat de possibles molècules;
- dades biològiques fragmentades i heterogènies;
- dificultat per identificar la diana correcta;
- costos elevats de laboratori i assaigs;
- taxes de fracàs molt altes;
- necessitat de demostrar seguretat i benefici clínic.
La IA és especialment útil quan hi ha massa variables perquè un equip humà les pugui explorar amb rapidesa.
Com intervé la IA en el descobriment de medicaments?
La IA pot aportar valor en gairebé totes les etapes inicials, encara que no amb la mateixa maduresa ni amb el mateix nivell de fiabilitat.
1. Identificar dianes terapèutiques
Una diana terapèutica és una molècula —sovint una proteïna— sobre la qual un medicament podria actuar per modificar un procés relacionat amb una malaltia.
La IA pot analitzar:
- dades genòmiques;
- dades de proteòmica;
- registres clínics;
- publicacions científiques;
- xarxes d’interacció molecular;
- resultats d’experiments previs.
Això pot ajudar a detectar proteïnes, vies biològiques o mecanismes que mereixen ser investigats amb prioritat.
La IA no decideix sola que una diana és vàlida. Genera hipòtesis que després han de ser comprovades experimentalment.
2. Comprendre l’estructura de les proteïnes
Aquí és on AlphaFold ha tingut un impacte extraordinari.
Molts fàrmacs funcionen perquè s’uneixen a una proteïna concreta. Per dissenyar aquesta interacció, és molt útil conèixer la forma tridimensional de la proteïna i els llocs on una molècula podria encaixar.
AlphaFold 2 va demostrar que la IA podia predir estructures proteiques amb gran precisió en molts casos.
Aquest coneixement pot permetre als equips de recerca:
- estudiar dianes sense estructura experimental disponible;
- identificar possibles cavitats d’unió;
- formular hipòtesis sobre mecanismes biològics;
- prioritzar experiments;
- iniciar projectes de disseny racional de fàrmacs.
La base de dades d’AlphaFold va ampliar radicalment l’accés a estructures previstes de proteïnes i ha estat utilitzada per milions d’investigadors arreu del món.
3. Predir interaccions entre proteïnes i molècules
Un medicament no actua només sobre una proteïna aïllada.
Ha d’interaccionar amb ella en un context molecular concret. Per això, una pregunta decisiva és: com encaixarà una molècula candidata amb la seva diana?
AlphaFold 3 va ampliar aquest enfocament cap a complexes que poden incloure proteïnes, ADN, ARN, ions, molècules petites i residus modificats.
Aquesta capacitat és especialment rellevant perquè moltes molècules petites són fàrmacs o possibles candidats a fàrmac.
L’objectiu no és només veure la forma d’una proteïna, sinó comprendre millor la interacció entre:
- una diana terapèutica;
- una molècula candidata;
- altres proteïnes;
- material genètic;
- anticossos;
- i components de l’entorn cel·lular.
4. Cribratge virtual de molècules
Una empresa farmacèutica pot disposar de biblioteques amb milions de compostos químics possibles.
Analitzar-los experimentalment un per un seria lent i extremadament car.
La IA pot ajudar a fer un cribratge virtual: estimar quines molècules tenen més probabilitats d’interaccionar amb una diana determinada i prioritzar-les per a proves reals de laboratori.
Això pot reduir el nombre de candidats que han de passar directament a experiments costosos.
Però cal recordar una idea essencial: una predicció computacional és una hipòtesi, no una demostració.
Una molècula pot semblar prometedora en un model i fracassar després per toxicitat, baixa estabilitat, manca d’eficàcia o problemes per arribar al teixit adequat.
5. Dissenyar molècules noves
La IA no només pot seleccionar molècules existents.
També pot contribuir al disseny de molècules noves amb propietats concretes, per exemple:
- més afinitat per una diana;
- menor probabilitat d’efectes no desitjats;
- millor solubilitat;
- millor estabilitat;
- major capacitat d’arribar a un teixit determinat.
Aquesta línia combina models predictius amb IA generativa aplicada a química i biologia molecular.
És una de les àrees més prometedores, però també una de les que requereix més rigor. Generar una estructura química plausible no equival a obtenir un medicament segur, fabricable i eficaç.
De la predicció a l’experiment: el paper insubstituïble del laboratori
La narrativa sobre IA i fàrmacs pot ser molt seductora, però convé evitar simplificacions.
La IA no substitueix:
- biòlegs;
- químics medicinals;
- farmacòlegs;
- clínics;
- laboratoris;
- assaigs amb models preclínics;
- assaigs clínics;
- organismes reguladors.
La seva funció més realista és augmentar la capacitat dels equips científics.
Pot ajudar-los a formular millors preguntes, descartar opcions menys prometedores i arribar abans a experiments més informatius.
Per això, el futur no serà “IA contra ciència experimental”.
Serà una recerca híbrida: dades, models, simulació, laboratori, automatització i validació clínica treballant conjuntament.
Pot la IA reduir el temps i el cost de desenvolupar fàrmacs?
Pot contribuir-hi, sobretot en les fases inicials de recerca i descobriment.
Però no hi ha una garantia automàtica que un projecte assistit per IA arribi més ràpid al mercat. El desenvolupament clínic continua sent llarg perquè ha de demostrar seguretat, dosificació, eficàcia i benefici en persones reals.
La contribució de la IA pot ser especialment valuosa quan:
- redueix experiments innecessaris;
- identifica abans una diana poc prometedora;
- prioritza compostos;
- millora el disseny d’un assaig;
- detecta patrons difícils de veure;
- ajuda a trobar subgrups de pacients.
La mètrica important no és només “anar més ràpid”, sinó prendre decisions científiques millors.
AlphaFold és una eina de descoberta de fàrmacs?
AlphaFold no és, per si sol, una fàbrica de medicaments.
És una eina de predicció estructural i, en la seva versió més recent, de predicció d’interaccions biomoleculars.
La seva aportació pot ser decisiva en fases inicials perquè facilita una millor comprensió de les dianes i de les possibles interaccions amb molècules candidates.
Google DeepMind i Isomorphic Labs han situat explícitament el disseny de fàrmacs com una de les aplicacions estratègiques d’aquest tipus de models.
Però qualsevol resultat ha de ser validat per mètodes experimentals i, si el projecte avança, per estudis preclínics i clínics.
Els límits de la IA en el descobriment de medicaments
La IA pot generar resultats molt útils, però no és infal·lible.
Entre els seus límits actuals destaquen:
Prediccions estàtiques
Moltes proteïnes i interaccions moleculars canvien amb el temps. Una estructura prevista és una fotografia útil, però no sempre representa tota la seva dinàmica biològica.
Dades incompletes o esbiaixades
Els models aprenen del coneixement disponible. Si les dades són escasses, incompletes o poc representatives, les prediccions poden ser menys fiables.
Context cel·lular i fisiològic
Una interacció que sembla correcta en un model pot no comportar-se igual dins una cèl·lula, un òrgan o un organisme.
Seguretat i toxicitat
Predir una bona unió amb una diana no garanteix que una molècula sigui segura.
Validació obligatòria
Els resultats computacionals han de ser contrastats amb experiments independents. Aquesta validació no és un detall final: és el centre del procés científic.
Cap a una nova indústria de biologia digital
L’impacte d’AlphaFold ha reforçat una idea que està guanyant pes: la biologia pot convertir-se progressivament en una disciplina més predictiva, simulable i assistida per IA.
Aquesta visió sovint es descriu com a biologia digital.
No significa que la biologia es redueixi a dades. Significa que la combinació de dades, IA i experimentació pot fer possible explorar hipòtesis abans de portar-les al laboratori.
En aquest context, empreses com Isomorphic Labs representen una nova generació de companyies que intenten integrar IA, biologia estructural, química i disseny de fàrmacs. L’evolució d’aquest àmbit és ràpida: els avenços en models d’interacció molecular estan obrint noves capacitats, però també han reobert debats sobre accés, reproduïbilitat i validació independent.
Catalunya i l’oportunitat de la IA farmacèutica
Catalunya té condicions especialment rellevants per participar en aquesta transformació:
- un ecosistema biomèdic consolidat;
- hospitals universitaris i centres de recerca;
- empreses farmacèutiques i biotech;
- capacitat en supercomputació;
- talent en IA, dades, química i biologia;
- una xarxa creixent de startups de salut digital i ciències de la vida.
El repte no és només disposar de tecnologia.
És connectar recerca bàsica, dades de qualitat, infraestructures computacionals, validació experimental, capital pacient i capacitat de transferència.
Aquí, el paper del Barcelona Supercomputing Center pot ser especialment rellevant com a infraestructura de computació avançada dins d’un ecosistema més ampli de recerca biomèdica i innovació.
Conclusions
La IA en el descobriment de medicaments no és una promesa abstracta.
Ja està canviant la manera com s’identifiquen dianes, s’analitzen estructures proteiques, es prioritzen molècules i es formulen hipòtesis de recerca.
AlphaFold ha estat una demostració especialment poderosa d’aquest canvi: comprendre la forma de les proteïnes pot fer més accessible una part crítica del disseny racional de fàrmacs.
Però la gran transformació no serà que una IA substitueixi el laboratori.
Serà que equips científics millor equipats amb IA, dades, simulació i automatització puguin investigar amb més velocitat, precisió i capacitat d’aprenentatge.
El futur dels medicaments continuarà depenent de la ciència experimental.
La diferència és que aquesta ciència serà cada vegada més computacional.
Preguntes freqüents sobre IA i descobriment de medicaments
La IA pot crear un medicament per si sola?
No. Pot ajudar a identificar dianes, predir estructures, prioritzar molècules i dissenyar candidats, però calen experiments, estudis preclínics, assaigs clínics i aprovació reguladora.
AlphaFold pot descobrir cures?
AlphaFold pot aportar informació estructural molt valuosa per a la recerca. Però no diagnostica, no prescriu tractaments i no garanteix que una molècula es converteixi en un medicament eficaç.
Quina és la principal aportació de la IA en farmacologia?
Probablement, millorar la qualitat i la velocitat de les decisions en les fases inicials: saber quines hipòtesis, dianes i molècules convé investigar primer.
La IA farà més barats els medicaments?
Podria contribuir a reduir ineficiències en recerca i desenvolupament, però el preu final d’un medicament depèn també de factors clínics, industrials, reguladors, comercials i de política sanitària.
IA i medicina
- IA i Biomedicina
- Com la intel·ligència artificial està transformant la biomedicina
- AlphaFold: la intel·ligència artificial que està revolucionant la biomedicina
- Què és el problema del plegament de proteïnes i per què era tan difícil de resoldre?
- Com funciona AlphaFold explicat de manera senzilla
- Què és la biomedicina computacional?
Deixa un comentari