Deloitte Crea Pipelines de Descubrimiento de Fármacos con IA Generativa en Unos Pocos Clics

Como centro neurálgico de investigación del principal proveedor de servicios de consultoría del mundo, el Centro de Investigación Integrada de Deloitte^[1] se dedica a explorar oportunidades transformadoras en todas las industrias. Con un fuerte énfasis en el área de la salud, el equipo de investigación se propuso aprovechar el potencial de la IA para acelerar el proceso de descubrimiento de fármacos. El descubrimiento de fármacos es un proceso largo y costoso, que lleva más de 10 a 15 años y cuesta, en promedio, más de 1 a 2 mil millones de dólares por cada nuevo medicamento que se aprueba para uso clínico. Esos costos van acompañados de una abrumadora tasa de fracaso del 90 por ciento^[2]. Ante esto, el equipo de Deloitte reconoció la necesidad de mejorar los modelos preclínicos, la validación rigurosa de los objetivos y mejorar las estrategias de toma de decisiones antes de embarcarse en los ensayos clínicos. Su objetivo era reducir significativamente la tasa de ensayos fallidos y, en última instancia, mejorar el proceso de desarrollo de fármacos.

¹ Deloitte. Deloitte Ranked No. 1 Consulting Service Provider Worldwide by Revenue in Gartner® Market Share Report. July 2023.

² NIH National Library of Medicine. Why 90% of Clinical Drug Development Fails and How to Improve It? July 2022.

La predicción de la estructura de las proteínas tiene como objetivo anticipar cómo se plegará una proteína en su forma natural, lo cual es crucial para comprender su función en el cuerpo e identificar posibles objetivos para las terapias farmacológicas. Deloitte ha desarrollado Quartz Atlas AI, un acelerador de descubrimiento de fármacos de IA que analiza las secuencias de aminoácidos (los componentes básicos de las proteínas) para determinar el mejor método de plegamiento, que puede ser dado por un modelo de lenguaje de proteínas o un método de estilo de plegamiento. Este proceso genera rápidamente estructuras 3D y predice cómo los fármacos pueden unirse a partes específicas de la proteína. Un modelo de IA generativa posterior refina aún más la estructura de la proteína o molécula para identificar las regiones dentro de ella que probablemente interactúen con los medicamentos (superponiendo un mapa de calor de puntos calientes farmacológicos), lo que ayuda en los esfuerzos de desarrollo de medicamentos.  

"Para unir con éxito los datos y los pipelines científicos, combinamos los microservicios BioNeMo de NVIDIA para la predicción optimizada de la estructura y los modelos de IA generativa patentados de Deloitte, que se entrenan con DGX Cloud en Oracle Cloud Infrastructure", dijo Ferrante. "Creamos un robusto gráfico de conocimiento impulsado por IA generativa con Atlas AI, cargando más de una docena de conjuntos de datos, lo que equivale a 12 millones de nodos y 97 millones de enlaces de borde de conexión, con un total de 5 terabytes en volumen bruto, que se puede buscar en segundos. Podemos introducir esta gran cantidad de datos multimodales en nuestros modelos, mapear el espacio de la solución, analizar patrones y hacer predicciones. La capacidad de entrenar con conjuntos de datos extensos y escalar de manera eficiente fue posible gracias al aprovechamiento de DGX Cloud y su capacidad para facilitar los trabajos de múltiples nodos. DGX Cloud en OCI nos proporcionó acceso a la última arquitectura de NVIDIA y a una estructura de baja latencia que permitió el escalado de cargas de trabajo en clústeres interconectados optimizados para obtener el máximo rendimiento en nuestras cargas de trabajo más exigentes".

Deloitte está utilizando modelos NVIDIA BioNeMo, disponibles como microservicios NVIDIA NIM, incluidos AlphaFold2, OpenFold y ESMFold para la predicción de la estructura de proteínas, junto con MegaMolBART y MolMIM para la generación de moléculas. Al mapear sin problemas estas moléculas en el espacio de la solución, pueden encontrar fácilmente moléculas similares con las propiedades correspondientes, como la toxicidad o la solubilidad. Este meticuloso proceso es crucial en el descubrimiento de fármacos, ya que facilita la selección eficiente de posibles candidatos, la predicción precisa de la seguridad y la eficacia, y la exploración de diversos espacios químicos. Para obtener más información, Deloitte ajustó un modelo ESM2 de 15 mil millones de parámetros para predecir las propiedades de las proteínas en DGX Cloud, que fue utilizado por un modelo posterior para generar nuevas secuencias de proteínas con propiedades específicas deseadas.

Ferrante comentó: "En el campo de la biología, muchos profesionales no quieren lidiar con las complejidades de la infraestructura y escribir código. Sin embargo, el aprovechamiento de las herramientas y el software de DGX Cloud ha agilizado este proceso. Con solo unos pocos clics, nuestros desarrolladores pueden seleccionar un contenedor y acceder a un bloc de notas, lo que elimina la necesidad de Secure Shell en los nodos directamente. Al permitirnos ejecutar fácilmente múltiples experimentos en comparación con nuestra solución anterior con una gran visibilidad de la cola de trabajos, DGX Cloud ha aumentado la productividad de los desarrolladores en un 50 por ciento".

"Debido a la escala de nuestros conjuntos de datos, el entrenamiento de múltiples nodos fue crucial. Anteriormente, la orquestación del entrenamiento de varios nodos era un proceso manual y nunca lo habíamos intentado en una plataforma en la nube. Con DGX Cloud, la capacitación de varios nodos ahora es tan fácil como hacer clic en un botón, lo que nos ahorra de siete a 10 meses de trabajo de infraestructura y herramientas que incluyen la configuración del hardware, la creación de contenedores y la distribución de la carga de trabajo. Como resultado, nuestros modelos ya no están limitados por el tamaño o la escala de datos, y nuestras sesiones de entrenamiento se han reducido de cuatro semanas a solo ocho horas".

"Anteriormente, la construcción de la línea de descubrimiento de fármacos era un proceso laborioso, que requería que hiciéramos meticulosamente ingeniería inversa y depuráramos cada línea de código, mientras hacíamos un seguimiento de los cambios y gestionábamos múltiples versiones. Antes se tardaba entre cuatro y seis semanas en montar un pipeline, pero ahora, con unos pocos clics, podemos sumergirnos directamente en los proyectos. Gracias a la escalabilidad de los modelos BioNeMo y a la facilidad de implementación a través de NVIDIA NIM, las tareas de investigación y desarrollo se han vuelto mucho más fluidas. El ajuste fino de los modelos de base de BioNeMo en DGX Cloud y la implementación de un bucle de inferencia han fortalecido aún más la solidez de la tubería", dijo Ferrante.

"Con Atlas AI en su lugar, Deloitte puede proporcionar a los usuarios pipelines científicos para obtener información procesable mediante la combinación de múltiples modelos. Por ejemplo, en lugar de limitarse a plegar una molécula o calcular una propiedad, puede proporcionar un informe completo que contenga estructuras o propiedades plegadas, equipando a los usuarios con toda la información necesaria para tomar decisiones informadas sobre la viabilidad de una solución. También puede mostrar gráficamente las relaciones entre las estructuras de las proteínas y sus conexiones, lo que ayuda aún más a comprender las interacciones moleculares complejas".

Más allá de una potente plataforma, el equipo integral de expertos de los Servicios Corporativos de NVIDIA fue invaluable. "Nos beneficiamos del soporte de extremo a extremo de NVIDIA, que va desde la asistencia de la plataforma para la configuración de entrenamiento de múltiples nodos y las actualizaciones de contenedores hasta la orientación a nivel de aplicación, aprovechando su amplia experiencia en frameworks y modelos del área de la salud para optimizar nuestros modelos de IA de manera efectiva", dijo Ferrante.

"Una de las aplicaciones directas de Atlas AI fue la capacidad de usar la IA para tomar medicamentos aprobados por la FDA y diseñar in silico una versión mejor y patentable de la molécula. Ahora podemos cargar todos los medicamentos que han sido patentados y todos los que han sido aprobados por la FDA. Nuestro modelo entrenado nos permite identificar posibles compuestos de partida con una unión objetivo-establecida. Encontrar medicamentos viables es extremadamente desafiante debido a la gran cantidad de compuestos potenciales y la necesidad de propiedades específicas, lo que lo hace similar a resolver un problema de optimización complejo. MolMIM, que forma parte de NVIDIA BioNeMo y está disponible como microservicio NIM, ayuda a nuestros investigadores a encontrar moléculas con las propiedades ideales para el desarrollo de fármacos mediante la maximización de una función de puntuación definida por el usuario. Usando MolMIM, generamos compuestos novedosos, que están optimizados para varios aspectos moleculares, como una unión mejorada, permeabilidad intestinal, solubilidad y vida media prolongada", agregó Ferrante.

Deloitte planea mejorar aún más la IA de Atlas integrándola en diversas aplicaciones del área de la salud y ciencias de la vida, como la medicina de precisión y la visión de la voz del paciente, para mejorar la participación del paciente y optimizar los resultados de salud. "Aprovechando BioNeMo y DGX Cloud, podemos establecer sin problemas una línea de entrenamiento estandarizada para diversos dominios, lo que nos permite ajustarla para clases específicas de proteínas o predicciones de estructura de anticuerpos sin esfuerzo", dijo Ferrante.