Quin és el paper de la IA generativa en el descobriment de fàrmacs?

Quin és el paper de la IA generativa en el descobriment de fàrmacs?

Resposta curta: la IA generativa accelera principalment el descobriment inicial de fàrmacs generant molècules candidates o seqüències de proteïnes, proposant rutes de síntesi i plantejant hipòtesis comprovables, de manera que els equips poden executar menys experiments "a cegues". Funciona millor quan s'apliquen restriccions estrictes i es validen els resultats; tractada com un oracle, pot enganyar amb confiança.

Conclusions clau:

Acceleració : utilitzeu GenAI per ampliar la generació d'idees i, a continuació, reduïu-la amb un filtratge rigorós.

Restriccions : Calen rangs de propietats, regles de bastida i límits de novetat abans de la generació.

Validació : Tractar els resultats com a hipòtesis; confirmar amb assaigs i models ortogonals.

Traçabilitat : Registrar les indicacions, els resultats i la justificació perquè les decisions es puguin auditar i revisar.

Resistència a l'ús indegut : eviteu les fuites i l'excés de confiança amb la governança, els controls d'accés i la revisió humana.

Quin és el paper de la IA generativa en el descobriment de fàrmacs? Infografia

Articles que potser t'agradaria llegir després d'aquest:

🔗 El paper de la IA en l'atenció sanitària
Com la IA millora el diagnòstic, els fluxos de treball, l'atenció al pacient i els resultats.

🔗 La IA substituirà els radiòlegs?
Explora com l'automatització millora la radiologia i què continua sent humà.

🔗 La IA substituirà els metges?
Una mirada honesta a l'impacte de la IA en la feina i la pràctica dels metges.

🔗 Les millors eines de laboratori d'IA per al descobriment científic
Eines de laboratori d'IA principals per accelerar experiments, anàlisis i descobriments.

El paper de la IA generativa en el descobriment de fàrmacs, en un resum 😮💨

La IA generativa ajuda els equips farmacològics a crear molècules candidates, predir propietats, suggerir modificacions, proposar rutes de síntesi, explorar hipòtesis biològiques i comprimir cicles d'iteració, especialment en el descobriment inicial i l'optimització de candidats potencials. Nature 2023 (revisió del descobriment de lligands) Elsevier 2024 (models generatius en el disseny de fàrmacs de novo)

I sí, també pot generar ximpleries amb confiança. Això forma part del negoci. Com un intern molt entusiasta amb un motor de coet. Guia per a clínics (risc d'al·lucinacions) npj Digital Medicine 2025 (al·lucinacions + marc de seguretat)

Per què això importa més del que la gent admet 💥

Molta feina de descobriment és "recerca". Cerca a l'espai químic, cerca en biologia, cerca en literatura, cerca en relacions estructura-funció. El problema és que l'espai químic és... bàsicament infinit. Accounts of Chemical Research 2015 (espai químic) Irwin & Shoichet 2009 (escala d'espai químic)

Podries passar diverses vides només provant variacions "raonables".

La IA generativa canvia el flux de treball de:

  • "Provem què se'ns acudeix"

a:

  • "Generem un conjunt d'opcions més gran i intel·ligent, i després provem les millors"

No es tracta d'eliminar experiments. Es tracta de triar millors experiments . 🧠 Nature 2023 (revisió del descobriment de lligands)

A més, i això no es discuteix gaire, ajuda els equips a parlar entre disciplines . Químics, biòlegs, gent de DMPK, científics computacionals... tothom té models mentals diferents. Un sistema generatiu decent pot servir com a bloc de notes compartit. Revisió de Frontiers in Drug Discovery 2024

Què fa que una bona versió d'IA generativa sigui per al descobriment de fàrmacs? ✅

No tota la IA generativa es crea igual. Una versió "bona" ​​per a aquest espai es basa menys en demostracions cridaneres i més en una fiabilitat poc atractiva (la poca atracció és una virtut aquí). Nature 2023 (revisió del descobriment de lligands)

Una bona configuració d'IA generativa normalment té:

Si la teva IA generativa no pot gestionar restriccions, bàsicament és un generador de novetat. Diversió a les festes. Menys diversió en un programa de drogues.

On la IA generativa encaixa en el procés de descobriment de fàrmacs 🧭

Aquí teniu el mapa mental senzill. La IA generativa pot contribuir a gairebé totes les etapes, però funciona millor on la iteració és cara i l'espai d'hipòtesis és enorme. Nature 2023 (revisió del descobriment de lligands)

Punts de contacte comuns:

En molts programes, els èxits més grans provenen de la integració del flux de treball , no d'un sol model que sigui "genial". El model és el motor, el procés és el cotxe. Nature 2023 (revisió del descobriment de lligands)

Taula comparativa: enfocaments populars d'IA generativa utilitzats en el descobriment de fàrmacs 📊

Una taula lleugerament imperfecta, perquè la vida real és lleugerament imperfecta.

Eina / Enfocament Millor per a (audiència) Preu raonable Per què funciona (i quan no)
Generadors de molècules de novo (SMILES, gràfics) Química mèdica + química complementària $$-$$$ Genial explorant nous anàlegs ràpidament 😎 - però pot escopir inadaptacions inestables REINVENT 4 GENTRL (Nature Biotech 2019)
Generadors de proteïnes/estructures Equips de biologia, biologia estructural $$$ Ajuda a proposar seqüències + estructures, però "sembla plausible" no és el mateix que "funciona". AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Disseny molecular d'estil difusió Equips d'aprenentatge automàtic avançat $$-$$$$ Fort en condicionament per restriccions i diversitat: la configuració pot ser... tot plegat JCIM 2024 (models de difusió) PMC 2025 revisió de difusió
Copilots de predicció de propietats (combinació QSAR + GenAI) DMPK, equips de projecte $$ Bo per al triatge i la classificació - dolent si es tracta com a evangeli 😬 OCDE (domini d'aplicabilitat) ADMETlab 2.0
Planificadors de retrosíntesi Química de processos, CMC $$-$$$ Accelera la ideació de rutes: encara necessita humans per a la viabilitat i la seguretat AiZynthFinder 2020 Coley 2018 (CASP)
Copilots de laboratori multimodal (text + dades d'assaig) Equips de traducció $$$ Útil per extreure senyals a través de conjunts de dades: propens a un excés de confiança si les dades són irregulars. Nature 2024 (efectes per lots en imatges cel·lulars). npj Digital Medicine 2025 (multimodal en biotecnologia).
Assistents de literatura i hipòtesi Tothom, a la pràctica $ Redueix molt el temps de lectura, però les al·lucinacions poden ser relliscoses, com mitjons que desapareixen. Patrons 2025 (LLM en descobriment de fàrmacs) Guia per a clínics (al·lucinacions)
Models de fonamentació personalitzats per a empreses Grans farmacèutiques, biotecnologies ben finançades $$$$ Millor control + integració: també car i lent de construir (ho sento, és veritat) Revisió de Frontiers in Drug Discovery 2024

Notes: els preus varien molt segons l'escala, la computació, la llicència i si el vostre equip vol "connectar i utilitzar" o "construir una nau espacial"

Una mirada més detallada: IA generativa per al descobriment de resultats i el disseny de novo 🧩

Aquest és el cas d'ús principal: generar molècules candidates des de zero (o a partir d'una estructura) que coincideixin amb un perfil objectiu. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Com funciona normalment a la pràctica:

  1. Definir restriccions

  2. Generar candidats

  3. Filtrar agressivament

  4. Seleccioneu un conjunt petit per a la síntesi

    • els humans encara trien, perquè de vegades poden olorar ximpleries

La veritat incòmoda: el valor no són només les "noves molècules". Són noves molècules que tenen sentit per a les restriccions del vostre programa . Aquesta última part ho és tot. Nature 2023 (revisió del descobriment de lligands)

A més, una lleugera exageració: quan es fa bé, pot semblar que hagis contractat un equip de químics júnior incansables que mai dormen i mai es queixen. D'altra banda, tampoc entenen per què una estratègia de protecció específica és un malson, així que... equilibri 😅.

Una mirada més detallada: optimització de contactes amb IA generativa (ajust multiparàmetre) 🎛️

L'optimització de contactes és on els somnis es compliquen.

Voleu:

  • augment de potència

  • selectivitat amunt

  • estabilitat metabòlica a l'alça

  • solubilitat cap amunt

  • senyals de seguretat avall

  • permeabilitat "justa"

  • I encara ser sintetitzable

Això és l'optimització multiobjectiu clàssica. La IA generativa és inusualment bona a l'hora de proposar un conjunt de solucions de compromís en lloc de fingir que hi ha un compost perfecte. REINVENT 4 Elsevier 2024 revisió (models generatius)

Maneres pràctiques en què els equips l'utilitzen:

  • Suggeriment anàleg : "Feu 30 variants que redueixin la depuració però mantinguin la potència"

  • Escaneig de substituents : exploració guiada en lloc d'enumeració per força bruta

  • Salt de bastida : quan un nucli colpeja una paret (toxicitat, IP o estabilitat)

  • Suggeriments explicatius : "Aquest grup polar pot ajudar a la solubilitat però podria perjudicar la permeabilitat" (no sempre és correcte, però útil)

Una advertència: els predictors de propietats poden ser fràgils. Si les dades d'entrenament no coincideixen amb la sèrie química, el model pot ser erroni amb tota seguretat. És a dir, molt erroni. I no s'enfadarà. Principis de validació QSAR de l'OCDE (domini d'aplicabilitat) Weaver 2008 (domini d'aplicabilitat QSAR)

Una mirada més detallada: ADMET, toxicitat i cribratge de "si us plau, no elimineu el programa" 🧯

ADMET és on molts candidats fallen discretament. La IA generativa no resol la biologia, però pot reduir els errors evitables. ADMETlab 2.0 Waring 2015 (deserció)

Rols comuns:

  • predicció de passius metabòlics (llocs de metabolisme, tendències de depuració)

  • senyalització de possibles motius de toxicitat (alertes, intermediaris reactius)

  • estimació dels rangs de solubilitat i permeabilitat

  • suggerint modificacions per reduir el risc d'hERG o millorar l'estabilitat 🧪 FDA (ICH E14/S7B Q&A) EMA (ICH E14/S7B revisió general)

El patró més eficaç sol ser aquest: utilitzar GenAI per proposar opcions, però utilitzar models i experiments especialitzats per verificar-ho.

La IA generativa és el motor d'ideació. La validació encara resideix en els assajos.

Una mirada més detallada: IA generativa per a productes biològics i enginyeria de proteïnes 🧬✨

El descobriment de fàrmacs no només consisteix en petites molècules. La IA generativa també s'utilitza per a:

La generació de proteïnes i seqüències pot ser potent perquè el "llenguatge" de les seqüències s'adapta sorprenentment bé als mètodes d'aprenentatge automàtic. Però aquí teniu el retrocés casual: s'adapta bé... fins que deixa de ser-ho. Perquè la immunogenicitat, l'expressió, els patrons de glicosilació i les restriccions de desenvolupabilitat poden ser brutals. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Així doncs, les millors configuracions inclouen:

  • filtres de desenvolupabilitat

  • puntuació del risc d'immunogenicitat

  • restriccions de fabricabilitat

  • bucles de laboratori humit per a una iteració ràpida 🧫

Si us salteu aquests passos, obtindreu una seqüència magnífica que es comporta com una diva en producció.

Una mirada més detallada: planificació de la síntesi i suggeriments de retrosíntesi 🧰

La IA generativa també s'està introduint en les operacions químiques, no només en la ideació de molècules.

Els planificadors de retrosíntesi poden:

  • proposar rutes cap a un compost objectiu

  • suggerir materials de partida disponibles comercialment

  • classificar les rutes per nombre de passos o viabilitat percebuda

  • ajudar els químics a descartar ràpidament idees "bones però impossibles" AiZynthFinder 2020 Coley 2018 (CASP)

Això pot estalviar temps real, sobretot quan s'exploren moltes estructures candidates. Tot i això, els humans importen molt aquí perquè:

  • canvis en la disponibilitat dels reactius

  • Les preocupacions sobre seguretat i escala són reals

  • alguns passos semblen correctes sobre el paper però fallen repetidament

Una metàfora no gaire perfecta, però la faré servir igualment: la retrosíntesi. La IA és com un GPS que té raó en la seva majoria, excepte que de vegades et guia a través d'un llac i insisteix que és una drecera. 🚗🌊 Coley 2017 (retrosíntesi assistida per ordinador)

Dades, models multimodals i la realitat irregular dels laboratoris 🧾🧪

La IA generativa estima les dades. Els laboratoris produeixen dades. Sobre el paper, això sembla senzill.

Ha. No.

Les dades reals de laboratori són:

Els sistemes generatius multimodals poden combinar:

Quan funciona, és fantàstic. Pots descobrir patrons no evidents i proposar experiments que un sol especialista podria passar per alt.

Quan falla, falla silenciosament. No tanca la porta de cop. Simplement t'empeny cap a una conclusió errònia segura. És per això que la governança, la validació i la revisió del domini no són opcionals. Guia per a clínics (al·lucinacions) npj Digital Medicine 2025 (al·lucinacions + marc de seguretat)

Riscos, limitacions i la secció "no us deixeu enganyar per la sortida fluida" ⚠️

Si només recordeu una cosa, recordeu això: la IA generativa és persuasiva. Pot semblar correcta mentre que és incorrecta. Guia per a clínics (al·lucinacions)

Riscos clau:

Mitigacions que ajuden a la pràctica:

  • mantenir els humans en el bucle de decisions

  • registre de sol·licituds i sortides per a la traçabilitat

  • validar amb mètodes ortogonals (assajos, models alternatius)

  • aplicar restriccions i filtres automàticament

  • Tracteu els resultats com a hipòtesis, no com a tauletes de veritat. Guia QSAR de l'OCDE.

La IA generativa és una eina elèctrica. Les eines elèctriques no et converteixen en fuster... simplement cometen errors més ràpid si no saps què fas.

Com els equips adopten la IA generativa sense caos 🧩🛠️

Els equips sovint volen utilitzar això sense convertir l'organització en una fira de ciències. Una ruta d'adopció pràctica és així:

A més, no subestimis la cultura. Si els químics senten que els estan imposant la IA, ho ignoraran. Si els estalvia temps i respecta la seva experiència, l'adoptaran ràpidament. Els humans som així de divertits 🙂.

Quin és el paper de la IA generativa en el descobriment de fàrmacs quan allunyes la imatge? 🔭

En un zoom allunyat, el paper no és "substituir els científics". És "ampliar l'amplada de banda científica". Nature 2023 (revisió del descobriment de lligands)

Ajuda els equips a:

  • explorar més hipòtesis per setmana

  • proposar més estructures candidates per cicle

  • prioritzar els experiments de manera més intel·ligent

  • comprimir els bucles d'iteració entre el disseny i la prova

  • compartir coneixement entre silos Patterns 2025 (LLM en descobriment de fàrmacs)

I potser la part més infravalorada: ajuda a no malgastar la costosa creativitat humana en tasques repetitives. La gent hauria de pensar en el mecanisme, l'estratègia i la interpretació, no passar dies generant llistes de variants a mà. Nature 2023 (revisió del descobriment de lligands)

Així doncs, sí, el paper de la IA generativa en el descobriment de fàrmacs és un accelerador, un generador, un filtre i, de vegades, un factor problemàtic. Però un paper valuós.

Resum final 🧾✅

La IA generativa s'està convertint en una capacitat bàsica en el descobriment modern de fàrmacs, ja que pot generar molècules, hipòtesis, seqüències i rutes més ràpidament que els humans, i pot ajudar els equips a triar millors experiments. Revisió de Frontiers in Drug Discovery 2024 Nature 2023 (revisió del descobriment de lligands)

Vinyetes de resum:

Si el tractes com un col·laborador, no com un oracle, pot fer avançar els programes de manera real. I si el tractes com un oracle... bé, podries acabar seguint aquell GPS fins al llac de nou. 🚗🌊

Preguntes freqüents

Quin és el paper de la IA generativa en el descobriment de fàrmacs?

La IA generativa principalment amplia l'embut d'idees en el descobriment inicial i l'optimització de clients potencials proposant molècules candidates, seqüències de proteïnes, rutes de síntesi i hipòtesis biològiques. El valor és menys "substituir experiments" i més "triar millors experiments" generant moltes opcions i després filtrant-les en profunditat. Funciona millor com a accelerador dins d'un flux de treball disciplinat, no com a un decisor independent.

On funciona millor la IA generativa en el procés de descobriment de fàrmacs?

Sol oferir el màxim valor on l'espai d'hipòtesis és vast i la iteració és costosa, com ara la identificació de resultats, el disseny de novo i l'optimització de clients potencials. Els equips també l'utilitzen per al triatge ADMET, suggeriments de retrosíntesi i suport bibliogràfic o d'hipòtesis. Els majors guanys solen provenir d'integrar la generació amb filtres, puntuació i revisió humana en lloc d'esperar que un únic model sigui "intel·ligent"

Com s'estableixen restriccions perquè els models generatius no produeixin molècules inútils?

Un enfocament pràctic és definir restriccions abans de la generació: rangs de propietats (com ara objectius de solubilitat o logP), regles de bastida o subestructura, característiques del lloc d'unió i límits de novetat. A continuació, aplicar filtres de química medicinal (inclosos PAINS/grups reactius) i comprovacions de sintetitzabilitat. La generació amb restriccions primer és especialment útil amb el disseny molecular d'estil difusió i marcs com REINVENT 4, on es poden codificar objectius multiobjectiu.

Com haurien els equips de validar els resultats de GenAI per evitar al·lucinacions i excés de confiança?

Tracteu cada resultat com una hipòtesi, no com una conclusió, i valideu-lo amb assaigs i models ortogonals. Combineu la generació amb un filtratge agressiu, acoblament o puntuació quan sigui apropiat, i comprovacions del domini d'aplicabilitat per a predictors d'estil QSAR. Feu visible la incertesa quan sigui possible, perquè els models poden ser errònies amb confiança en la química fora de distribució o en afirmacions biològiques inestables. La revisió humana en el bucle continua sent una característica bàsica de seguretat.

Com podeu prevenir les fuites de dades, el risc d'IP i les sortides "memoritzades"?

Utilitzeu controls de governança i accés perquè els detalls sensibles del programa no es col·loquin casualment a les sol·licituds, i registreu les sol·licituds/sortides per a la seva auditabilitat. Apliqueu comprovacions de novetat i similitud perquè els candidats generats no estiguin massa a prop de compostos coneguts o regions protegides. Mantingueu normes clares sobre quines dades es permeten en sistemes externs i preferiu entorns controlats per a treballs d'alta sensibilitat. La revisió humana ajuda a detectar suggeriments "massa familiars" aviat.

Com s'utilitza la IA generativa per a l'optimització de clients potencials i l'afinació multiparàmetre?

En l'optimització de clients potencials, la IA generativa és valuosa perquè pot proposar múltiples solucions de compromís en lloc de perseguir un únic compost "perfecte". Els fluxos de treball habituals inclouen el suggeriment analògic, l'escaneig guiat de substituents i el salt de bastida quan les restriccions de potència, toxicitat o IP bloquegen el progrés. Els predictors de propietats poden ser fràgils, de manera que els equips solen classificar els candidats amb múltiples models i després confirmen les millors opcions experimentalment.

Pot la IA generativa ajudar també amb els productes biològics i l'enginyeria de proteïnes?

Sí, els equips l'utilitzen per a la generació de seqüències d'anticossos, idees de maduració d'afinitat, millores d'estabilitat i exploració d'enzims o pèptids. La generació de proteïnes/seqüències pot semblar plausible sense ser desenvolupable, per la qual cosa és important aplicar filtres de desenvolupabilitat, immunogenicitat i manufacturabilitat. Les eines estructurals com AlphaFold poden donar suport al raonament, però "estructura plausible" encara no és una prova d'expressió, funció o seguretat. Els bucles de laboratori humit continuen sent essencials.

Com ajuda la IA generativa a planificar la síntesi i la retrosíntesi?

Els planificadors de retrosíntesi poden suggerir rutes, materials de partida i classificacions de rutes per accelerar la ideació i descartar ràpidament els camins inviables. Eines i enfocaments com la planificació a l'estil AiZynthFinder són més efectius quan es combinen amb comprovacions de viabilitat del món real per part de químics. La disponibilitat, la seguretat, les restriccions d'escalat i les "reaccions en paper" que fallen a la pràctica encara requereixen criteri humà. D'aquesta manera, s'estalvia temps sense pretendre que la química està resolta.

Referències

  1. Nature - Revisió del descobriment de lligands (2023) - nature.com

  2. Biotecnologia de la natura - GENTRL (2019) - nature.com

  3. Natura - AlphaFold (2021) - nature.com

  4. Natura - RFdiffusion (2023) - nature.com

  5. Biotecnologia de la natura - Generador de proteïnes (2024) - nature.com

  6. Nature Communications - Efectes per lots en imatges cel·lulars (2024) - nature.com

  7. Medicina digital npj - Marc de seguretat i al·lucinacions (2025) - nature.com

  8. Medicina digital npj - Multimodal en biotecnologia (2025) - nature.com

  9. Ciència - ProteinMPNN (2022) - science.org

  10. Patrons cel·lulars - LLM en descobriment de fàrmacs (2025) - cell.com

  11. ScienceDirect (Elsevier) - Models generatius en el disseny de fàrmacs de novo (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): preocupacions sobre la novetat/singularitat - sciencedirect.com

  13. Anàlisi d'imatges mèdiques (ScienceDirect) - IA multimodal en medicina (2025) - sciencedirect.com

  14. PubMed Central - Guia per a clínics (risc d'al·lucinacions) - nih.gov

  15. Comptes de la Recerca Química (Publicacions ACS) - Espai químic (2015) - acs.org

  16. PubMed Central - Irwin i Shoichet (2009): escala espacial química - nih.gov

  17. Frontiers in Drug Discovery (PubMed Central) - Revisió (2024) - nih.gov

  18. Journal of Chemical Information and Modeling (ACS Publications) - Models de difusió en el disseny de fàrmacs de novo (2024) - acs.org

  19. PubMed Central - REINVENT 4 (marc de treball obert) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (principis d'ADMET) - nih.gov

  21. OCDE - Principis per a la validació amb finalitats reglamentàries dels models (Q)SAR - oecd.org

  22. OCDE - Document d'orientació sobre la validació dels models (Q)SAR - oecd.org

  23. Comptes de la Recerca Química (Publicacions ACS) - Planificació de síntesi assistida per ordinador / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (Publicacions ACS) - Retrosíntesi assistida per ordinador (Coley, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Lipinski: Regla de 5 contextual - nih.gov

  27. Revista de Química Medicinal (Publicacions ACS) - Baell i Holloway (2010): PAINS - acs.org

  28. PubMed - Waring (2015): deserció - nih.gov

  29. PubMed - Rives (2021): models de llenguatge de proteïnes - nih.gov

  30. PubMed Central - Leek et al. (2010): efectes per lots - nih.gov

  31. PubMed Central - Revisió de difusió (2025) - nih.gov

  32. FDA - E14 i S7B: avaluació clínica i no clínica de la prolongació de l'interval QT/QTc i el potencial proarrítmic (Q&A) - fda.gov

  33. Agència Europea del Medicament - Informació general sobre la guia ICH E14/S7B - europa.eu

  34. USENIX - Carlini et al. (2021): extracció de dades d'entrenament de models de llenguatge - usenix.org

  35. Universitat d'Edimburg – Serveis de Recerca Digital - Recurs de quadern de laboratori electrònic (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): Domini d'aplicabilitat QSAR - sciencedirect.com

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres

Torna al bloc