Investigadores de la Universidad Politécnica de Madrid desarrollan un método de inteligencia artificial destinado a reposicionar medicamentos con un fuerte énfasis en la interpretabilidad de las predicciones
Cuando se emplea un algoritmo de aprendizaje máquina para predecir en qué enfermedades podemos usar un fármaco, no se sabe explicar el por qué, y esto genera dudas respecto a la fiabilidad de la predicción. Por tanto, sería ideal tener un mecanismo de reposicionamiento que, además, explicase por qué predice de la forma que lo hace.
Es aquí donde un grupo de investigadores de la Universidad Politécnica de Madrid (UPM) acaba de desarrollar un método de reposicionamiento de fármacos con un claro énfasis en la interpretabilidad, ya que busca dar explicaciones de por qué propone tratar la enfermedad X con el fármaco Y. Este nuevo algoritmo −llamado “XG4REPO” (eXplainable Graphs for Repurposing)− no sólo reposiciona, sino que además presenta los resultados de forma que sean comprensibles, indicando qué mecanismos biológicos se usan para la predicción. Esto permite que sus predicciones sean validadas por expertos médicos, quienes pueden valorar si es una explicación válida o no, y así, generar predicciones mucho más robustas.
El proceso de creación de medicamentos es lento y costoso, ya que involucra numerosas pruebas para garantizar la seguridad del nuevo medicamento para obtener la autorización para su comercialización por parte de las autoridades sanitarias. Una alternativa que cada vez toma más fuerza para paliar esta situación es el reposicionamiento de medicamentos existentes, que consiste en identificar nuevas aplicaciones para fármacos que ya están aprobados. Esto significa usar un fármaco que ya existe para tratar una enfermedad diferente a la que se tenía en mente cuando se diseñó el medicamento.
El reposicionamiento de medicamentos, como técnica, tiene una serie de ventajas que no es posible obviar. La primera es que permite acortar significativamente los tiempos de desarrollo del medicamento, ya que el fármaco está aprobado y se conocen sus efectos secundarios. La segunda gran ventaja está relacionada con el coste de desarrollo del medicamento, que no necesita volver a hacer las costosas pruebas de seguridad, primero en animales, y luego en ensayos clínicos. Asimismo, la mayoría de los medicamentos desarrollados en laboratorio no llegan a comercializarse por sus efectos adversos, problema que el reposicionamiento no tiene.
Estas ventajas permiten que el reposicionamiento se considere una técnica que puede introducir grandes cambios en la medicina. Por un lado, permite desarrollar tratamientos para enfermedades nuevas de una forma mucho más rápida que la creación desde cero de un medicamento. Durante la pandemia de COVID, por ejemplo, el reposicionamiento saltó a las noticias por los intentos de emplear diferentes medicamentos para tratar esta nueva enfermedad. Pero, además, el reposicionamiento es una gran esperanza para los pacientes de enfermedades raras, ya que permitiría el desarrollo de tratamientos con un bajo coste para el laboratorio.
A nivel técnico, un medicamento afecta a un proceso biológico concreto; por ejemplo, el paracetamol bloquea parte del impulso doloroso del cuerpo humano. El gran reto del reposicionamiento consiste en identificar qué patrones, afectados por un medicamento concreto, aparecen en otras enfermedades. Así, si dos enfermedades tienen un patrón similar, y para tratar la primera se usa cierto medicamento, es probable que para la segunda también se pueda usar. Pero realizar esta identificación de patrones por parte de expertos es un proceso costoso que requiere un amplio conocimiento de las enfermedades y sus mecanismos. No obstante, las técnicas de aprendizaje máquina de las que disponemos en la actualidad son muy buenas en esta detección de patrones, de ahí el foco reciente que hay en reposicionamiento de medicamentos usando inteligencia artificial.
Sin embargo, las técnicas de inteligencia artificial presentan el problema de la interpretabilidad. Para resolverlo, un grupo de investigadores de la ETSI Telecomunicación (ETSIT) de la UPM ha encontrado la solución a este problema gracias al diseño de un nuevo algoritmo al que han denominado “XG4Repo”, que supone un marco de trabajo para la reutilización de fármacos mediante gráficos de conocimiento que predicen enfermedades que pueden tratarse con un compuesto determinado. Junto con la predicción, el modelo proporciona las reglas que respaldan la predicción y la importancia de la regla.
Para demostrar la eficacia de “XG4REPO”, los investigadores probaron a predecir la aplicación de tres fármacos conocidos contra el cáncer y detectaron que, entre las predicciones del algoritmo, había muchas que ya estaban en fase de ensayo clínico inicial. Esto quiere decir que hay evidencia médica que valida las predicciones realizadas por “XG4REPO”. Por tanto, como señala el profesor Santiago Zazo que ha formado parte del equipo de trabajo, “este mecanismo constituye un paso más hacia la aplicación de técnicas de inteligencia artificial en el campo médico, no para reemplazar a los expertos, sino para facilitarles el análisis de una gran cantidad de datos en poco tiempo, y acelerar el proceso de desarrollo de medicamentos”.
Referencia bibliográfica:
Jiménez, A., Merino, M.J., Parras, J. et al. Explainable drug repurposing via path based knowledge graph completion. Sci Rep 14, 16587 (2024). https://doi.org/10.1038/s41598-024-67163-x
