El acuerdo entre AstraZeneca e insitro destina 1.500 millones de dólares al descubrimiento de dianas con IA
AstraZeneca ha firmado un acuerdo valorado en hasta aproximadamente 1.500 millones de dólares con insitro, situando la IA al comienzo de su cartera de fármacos para el hígado y el corazón. El acuerdo entre AstraZeneca e insitro apunta a un problema persistente: elegir dianas biológicas que realmente causen enfermedad, en lugar de limitarse a aparecer junto a ella.
Las empresas se centrarán en la esteatohepatitis asociada a disfunción metabólica, conocida como MASH, y en las miocardiopatías que afectan al músculo cardíaco. Estas denominaciones abarcan poblaciones de pacientes biológicamente diversas, lo que dificulta modelar y tratar ambas enfermedades. La colaboración plantea si el aprendizaje automático puede separar esos mecanismos ocultos de la enfermedad antes de que AstraZeneca comprometa años de trabajo de laboratorio y clínico.
Esa distinción importa más que el valor anunciado en los titulares. La mayor parte de la contraprestación anunciada depende de futuros hitos de descubrimiento, desarrollo y comercialización. El compromiso inmediato es mucho menor, mientras que la validación clínica sigue siendo responsabilidad de AstraZeneca. El acuerdo proporciona a insitro un importante socio farmacéutico sin pretender que un algoritmo pueda sustituir experimentos, ensayos o revisiones regulatorias.
El acuerdo también permite una comparación relevante con el trabajo previo de insitro para Gilead Sciences, Bristol Myers Squibb y Eli Lilly. AstraZeneca no está comprando un fármaco terminado ni siquiera una diana validada. Está pagando por un mejor sistema para seleccionar qué hipótesis biológicas merecen convertirse en programas de desarrollo de fármacos.
Qué cubre realmente el acuerdo entre AstraZeneca e insitro
Este acuerdo financia el descubrimiento de dianas y la selección de candidatos preclínicos, no un atajo generado por IA a través del desarrollo clínico.
Según los términos del acuerdo divulgados por las empresas, AstraZeneca pagará a insitro 40 millones de dólares por adelantado. insitro puede recibir hasta aproximadamente 1.460 millones de dólares mediante posibles hitos de descubrimiento, desarrollo y comercialización.
La empresa también puede recibir regalías de un solo dígito sobre futuras ventas globales. Esos pagos dependen de que los programas avancen lo suficiente como para activar las condiciones correspondientes. No deben interpretarse como dinero ya transferido ni como ingresos garantizados.
AstraZeneca recibe derechos exclusivos a escala mundial para desarrollar programas seleccionados identificados mediante la colaboración. insitro llevará las dianas propuestas por AstraZeneca desde el descubrimiento hasta la etapa de candidato de desarrollo. AstraZeneca controlará posteriormente el desarrollo clínico, el trabajo regulatorio y la comercialización.
Esta división del trabajo establece el alcance real del proyecto. El papel de insitro consiste en identificar la biología causal de la enfermedad y ayudar a traducir las dianas seleccionadas en medicamentos potenciales. AstraZeneca sigue siendo responsable de demostrar la seguridad y la eficacia en humanos.
La colaboración cubre MASH y miocardiopatías. MASH es una enfermedad hepática progresiva que implica acumulación de grasa, inflamación y lesión celular. Las miocardiopatías son enfermedades que alteran la estructura o la función del músculo cardíaco.
Ambas categorías contienen una variación biológica considerable. Dos pacientes pueden compartir un diagnóstico y, aun así, tener impulsores genéticos, trayectorias de enfermedad o respuestas al tratamiento diferentes. Por ello, una terapia dirigida al paciente promedio puede no alcanzar el mecanismo que impulsa la enfermedad en un subgrupo concreto.
insitro afirma que su plataforma Virtual Human combina datos humanos a gran escala, mediciones celulares, genética y aprendizaje automático. Busca patrones que conecten la variación genética con características medibles de la enfermedad y el comportamiento celular.
La expresión “biología causal de la enfermedad” es central en la propuesta. La correlación puede revelar que una proteína, un gen o un biomarcador aparece en personas con una enfermedad. La evidencia causal sugiere que modificar la diana debería alterar el proceso de la enfermedad en sí.
Esa diferencia determina si una diana se convierte en un programa de desarrollo productivo o en un costoso callejón sin salida. La ejecutiva de AstraZeneca Sharon Barr describió la selección de dianas como una de las decisiones más difíciles en investigación y desarrollo.
En una entrevista sobre selección de dianas, Barr afirmó que las vías publicadas dejan de ser novedosas cuando todos los grupos de investigación pueden conocerlas. AstraZeneca quiere identificar antes conexiones biológicas menos evidentes y después probarlas en sistemas celulares.
Por tanto, el acuerdo es una apuesta por la ventaja informativa. La IA no elimina la necesidad del desarrollo farmacéutico. Se supone que mejorará la calidad y el momento de las hipótesis que entran en ese proceso.
Por qué MASH y las miocardiopatías encajan en la estrategia de IA
AstraZeneca seleccionó enfermedades en las que grandes conjuntos de datos contienen señales útiles, pero las amplias etiquetas diagnósticas pueden ocultar causas biológicas distintas.
MASH ha frustrado repetidamente a los desarrolladores de fármacos porque la grasa, la inflamación, la fibrosis, el metabolismo y la genética interactúan de forma diferente entre pacientes. La progresión de la enfermedad también varía ampliamente. Algunas personas se mantienen estables, mientras que otras desarrollan cirrosis o cáncer de hígado.
Esa variación crea un problema de selección de dianas antes de crear un problema de diseño de moléculas. Un fármaco puede actuar sobre su diana prevista y aun así fracasar si esa diana no impulsa la enfermedad en suficientes pacientes incluidos en el ensayo.
Las miocardiopatías presentan un desafío relacionado. La categoría incluye múltiples afecciones hereditarias y adquiridas que debilitan, agrandan, engrosan o rigidizan el músculo cardíaco. Distintas alteraciones genéticas pueden producir síntomas clínicos similares.
El descubrimiento tradicional suele comenzar con un mecanismo ya respaldado por la investigación publicada. Después, los científicos desarrollan ensayos, prueban compuestos y reúnen evidencia en torno a ese mecanismo. El enfoque sigue siendo esencial, pero puede favorecer dianas conocidas con datos abundantes.
El aprendizaje automático puede ampliar la búsqueda. Puede examinar conjuntamente imágenes, variantes genéticas, mediciones moleculares, historiales clínicos y perturbaciones experimentales. El objetivo es identificar conexiones que serían difíciles de reconocer para una persona entre millones de observaciones.
La fundadora de insitro, Daphne Koller, ha sostenido que la biología moderna produce mediciones más detalladas de las que los investigadores pueden examinar manualmente. En una entrevista sobre descubrimiento de fármacos con IA, describió el desafío como comprender lo suficientemente bien las enfermedades complejas para elegir la intervención adecuada para un subgrupo de pacientes.
Ese argumento es especialmente relevante para MASH. Un modelo podría distinguir a pacientes cuya fibrosis sigue diferentes vías moleculares, incluso cuando sus diagnósticos parecen similares. Los investigadores podrían entonces buscar dianas vinculadas a una vía y diseñar ensayos en torno a la población correspondiente.
La misma lógica se aplica a las enfermedades cardíacas. Los patrones de imagen, la información genética, los biomarcadores circulantes y los experimentos celulares pueden crear una imagen de alta dimensionalidad de la enfermedad. Los datos de alta dimensionalidad contienen muchas características medidas que deben analizarse conjuntamente.
Sin embargo, disponer de más datos no produce automáticamente mejores conclusiones causales. Los conjuntos de datos médicos reflejan quién recibió pruebas, cómo se recopilaron las mediciones y qué resultados se registraron. Esas decisiones pueden introducir sesgos.
Los modelos celulares también simplifican el entorno dentro de un cuerpo humano. Una diana que modifica una célula cultivada puede comportarse de forma diferente entre órganos, respuestas inmunitarias y largos períodos de tratamiento. El aprendizaje automático puede clasificar hipótesis, pero los experimentos deben determinar si esas clasificaciones resisten la realidad biológica.
El enfoque Virtual Human de insitro trata de reducir esa brecha vinculando la genética humana con sistemas celulares. Las variantes genéticas actúan como experimentos naturales porque pueden asociar diferencias biológicas de toda la vida con resultados de enfermedad.
Después, los investigadores pueden perturbar vías relacionadas en células y medir los resultados. Cuando la genética humana y los efectos de laboratorio apuntan en la misma dirección, una diana adquiere un argumento causal más sólido.
AstraZeneca aporta la siguiente capa. Sus científicos pueden evaluar si una diana es farmacológicamente abordable, lo que significa que un medicamento puede influir en ella de manera segura y consistente. También pueden valorar si un mecanismo propuesto encaja con el conocimiento clínico y de la enfermedad existente.
Este flujo de trabajo combinado explica por qué las empresas eligieron dos enfermedades heterogéneas. No son simplemente grandes mercados para nuevos medicamentos. Son pruebas de si la integración de datos puede revelar subgrupos de pacientes accionables ocultos dentro de diagnósticos amplios.
La verdadera competencia es mejores dianas frente a más dianas
El acuerdo entre AstraZeneca e insitro solo importará si mejora la calidad de las dianas, no simplemente la velocidad o el volumen de las predicciones computacionales.
Los sistemas de IA pueden generar largas listas de genes, proteínas, vías y moléculas. Esa abundancia puede crear una apariencia de progreso. Sin embargo, el descubrimiento de fármacos no recompensa la lista más larga. Recompensa un pequeño número de hipótesis que siguen siendo creíbles tras pruebas repetidas.
La afirmación central de insitro es que su plataforma puede priorizar dianas ancladas en la biología humana. La plataforma combina datos a nivel poblacional con experimentos realizados en células. Después utiliza aprendizaje automático para conectar las características de la enfermedad con posibles impulsores.
El método difiere de usar un modelo de lenguaje para resumir literatura científica. También difiere de examinar únicamente una biblioteca química frente a una proteína conocida. La ventaja propuesta proviene de integrar varias formas de evidencia biológica antes de seleccionar una diana.
El papel de AstraZeneca evita que la colaboración se convierta en un ejercicio exclusivamente de software. Los científicos farmacéuticos deben decidir si una predicción cuenta con un mecanismo plausible, un perfil de seguridad adecuado y una vía práctica de desarrollo.
Ese trabajo incluye confirmar que la diana aparece en tejidos relevantes. Los investigadores deben demostrar que modificarla produce el efecto esperado y no desencadena problemas inaceptables en otras partes. También deben encontrar un medicamento capaz de alcanzarla y controlarla.
El proceso se vuelve iterativo. Los hallazgos computacionales guían los experimentos, mientras que los resultados experimentales actualizan los modelos. Las predicciones deficientes también aportan información cuando los equipos registran por qué fallaron y reincorporan esas lecciones al sistema.
Este mecanismo presiona a dos enfoques consolidados. El primero depende en gran medida de dianas ya bien representadas en la literatura científica. El segundo utiliza plataformas computacionales que enfatizan la generación de moléculas después de que ya se haya seleccionado una diana.
AstraZeneca e insitro se están concentrando en la decisión anterior. Su apuesta es que seleccionar un mecanismo de enfermedad más sólido crea más valor que diseñar compuestos más rápido contra uno débil.
La industria farmacéutica tiene buenas razones para centrarse en ese punto. Una molécula químicamente elegante no puede salvar una diana que no afecta de forma significativa a la enfermedad humana. Una hipótesis biológica incorrecta puede consumir años antes de que un ensayo revele el error.
insitro ya ha seguido este modelo anteriormente. Su colaboración hepática de 2019 con Gilead también se centró en la enfermedad del hígado graso. Ese proyecto utilizó aprendizaje automático, genética humana y genómica funcional para crear modelos de enfermedad e identificar dianas.
Por lo tanto, el nuevo acuerdo se basa en una línea de investigación de larga trayectoria, en lugar de abrir una completamente nueva. También ofrece a AstraZeneca otra vía para el descubrimiento de dianas asistido por IA, junto con sus herramientas internas y alianzas externas.
AstraZeneca ha trabajado anteriormente con BenevolentAI en dianas para la enfermedad renal crónica y la fibrosis pulmonar idiopática. También ha ampliado el uso de IA en el análisis de datos clínicos, la investigación de biomarcadores y otros programas de descubrimiento.
Para insitro, el acuerdo suma otra gran farmacéutica a una lista de socios que incluye a Gilead, Bristol Myers Squibb y Eli Lilly. Cada relación aporta distinta experiencia en enfermedades, capacidades de desarrollo y retroalimentación experimental.
La cuestión competitiva no es qué empresa utiliza IA. Casi todos los grandes grupos farmacéuticos afirman ahora contar con alguna capacidad de IA. La comparación relevante se refiere a qué organizaciones pueden conectar los modelos con datos propios, experimentos reproducibles y decisiones de desarrollo.
Esa integración exige infraestructura y disciplina institucional. Los científicos de datos deben comprender cómo se recogieron las muestras. Los biólogos deben saber qué puede inferir un modelo. Los desarrolladores de fármacos deben distinguir entre un patrón interesante y un programa listo para recibir inversión.
Los equipos también necesitan registros trazables de hipótesis fallidas. Sin ellos, los modelos pueden heredar sesgos de publicación, ya que la literatura científica favorece los hallazgos positivos. Repetir únicamente experimentos exitosos genera una imagen incompleta de lo que la biología realmente permite.
El acuerdo entre AstraZeneca e insitro puede generar una ventaja si la asociación mejora ese ciclo de retroalimentación. Su valor provendría de descartar antes las ideas débiles y avanzar con menos dianas, pero mejor respaldadas.
Un titular de 1.500 millones de dólares no valida la plataforma
El máximo de pagos por hitos señala ambición, pero la evidencia biológica y clínica determinará si la plataforma mejora los resultados del desarrollo de fármacos.
Solo el pago inicial está garantizado al firmar. La mayor parte del valor potencial depende de acontecimientos futuros, entre ellos el éxito en el descubrimiento, desarrollo y comercialización. Esa estructura traslada una gran parte del riesgo científico a los propios programas.
También convierte la cifra del titular en una medida deficiente de la confianza inmediata. Los grandes paquetes de pagos por hitos son habituales en las alianzas biotecnológicas porque los medicamentos exitosos pueden generar un valor significativo. Muchos programas nunca llegan a las etapas que desbloquean pagos posteriores.
Las empresas no han revelado cuántas dianas nominó AstraZeneca. No han identificado mecanismos concretos, moléculas candidatas, calendarios de desarrollo ni desencadenantes de hitos. Tampoco han publicado datos comparativos de rendimiento para esta colaboración.
Estas lagunas son normales en un acuerdo de descubrimiento temprano. Aun así, limitan lo que los observadores externos pueden concluir. El anuncio verifica la asociación y su marco financiero, no el éxito clínico de la plataforma.
Una revisión sobre el descubrimiento de dianas revisada por pares identifica varias limitaciones persistentes de los sistemas de IA. Entre ellas se incluyen datos sesgados, interpretabilidad limitada, escasa generalización y la necesidad de validar experimentalmente las dianas predichas.
La generalización describe si un modelo sigue siendo fiable fuera de los datos utilizados para desarrollarlo. Un sistema entrenado con una población, tipo celular o proceso de medición puede funcionar mal cuando cambian las condiciones.
La interpretabilidad plantea un problema distinto. Un modelo puede clasificar una diana muy alto sin ofrecer una explicación biológica clara. Los investigadores pueden tener dificultades para diseñar experimentos de confirmación cuando no pueden determinar por qué el modelo produjo su resultado.
La inferencia causal eleva aún más el estándar. Una asociación genética puede respaldar una diana, pero los genes cercanos o las variantes vinculadas pueden complicar la interpretación. Una respuesta celular puede mostrar que una vía cambia en condiciones de laboratorio sin demostrar que ese mismo cambio beneficie a los pacientes.
La MASH añade complicaciones clínicas. La gravedad de la enfermedad suele requerir imágenes, biomarcadores o evaluación de tejidos, y esas mediciones no siempre coinciden. Por tanto, la selección de pacientes puede influir en si un medicamento experimental parece eficaz.
Los ensayos de cardiomiopatía afrontan sus propios retos. La progresión de la enfermedad puede ser lenta, las poblaciones de pacientes pueden ser pequeñas y los subtipos genéticos pueden diferir. Los investigadores necesitan criterios de valoración que capten mejoras significativas dentro de un período de ensayo práctico.
La IA no puede eliminar estas limitaciones. Puede ayudar a identificar pacientes, biomarcadores y mecanismos, pero los reguladores siguen necesitando evidencia creíble de estudios controlados. Los médicos siguen necesitando beneficios que superen los riesgos.
Un reciente análisis sobre traducción clínica sostiene que los datos biológicos difieren de los conjuntos de datos estables que respaldan muchas aplicaciones exitosas de IA para consumidores. Las mediciones dependen del diseño experimental, la dosis, el momento, el tejido y el contexto del paciente.
Esa observación explica la disyuntiva central. Los modelos ganan solidez al combinar más datos, pero combinar mediciones incompatibles también puede ocultar diferencias importantes. La escala solo ayuda cuando los datos subyacentes siguen siendo biológicamente significativos.
Insitro afirma haber creado una gran colección multimodal de datos humanos y celulares. Multimodal significa que la colección contiene varios tipos de medición, como genética, imágenes y perfiles moleculares.
El tamaño de ese corpus sigue siendo menos importante que su relevancia para las dos enfermedades. Las preguntas decisivas se refieren a la diversidad de los pacientes, la consistencia de las mediciones, la etapa de la enfermedad y la validación independiente.
Otra incertidumbre tiene que ver con la novedad. Una diana previamente desconocida puede generar ventajas de propiedad intelectual y competitivas. Las dianas novedosas también cuentan con menos evidencia, lo que aumenta el riesgo de que los investigadores malinterpreten su función.
Una diana conocida presenta el perfil opuesto. Es posible que los competidores ya la estén investigando, pero los científicos comprenden mejor su vía, seguridad y relevancia clínica. Las plataformas de IA deben equilibrar la novedad con la confianza.
AstraZeneca parece querer ambas cosas. Los comentarios de Barr enfatizan encontrar conexiones biológicas antes de que sean ampliamente conocidas. Sin embargo, los equipos de desarrollo de la empresa aún deben exigir suficiente evidencia para justificar experimentos y ensayos costosos.
Esa presión crea una disciplina útil para insitro. Un socio farmacéutico no necesita únicamente una referencia de rendimiento de modelo impresionante. Necesita dianas que superen la revisión interna, generen medicamentos viables y, finalmente, mejoren los resultados de los pacientes.
Por lo tanto, el acuerdo debe evaluarse por etapas. La nominación de dianas es la primera señal. La selección de candidatos de desarrollo es más sólida. La entrada en pruebas con humanos aporta otro nivel de evidencia.
La eficacia clínica sigue siendo el estándar más exigente. Hasta que los programas alcancen ese punto, las afirmaciones sobre un desarrollo de fármacos más rápido o exitoso deberían seguir siendo provisionales.
Tres señales mostrarán si la apuesta está funcionando
La próxima evidencia significativa procederá del avance de los programas, la validación biológica reproducible y grupos de pacientes claramente definidos.
La primera señal es si AstraZeneca selecciona dianas para el desarrollo formal. Una diana nominada muestra que un modelo produjo una hipótesis interesante. Un candidato de desarrollo muestra que la hipótesis superó trabajo biológico, químico y de seguridad adicional.
La divulgación de hitos puede ayudar a los lectores a distinguir esas etapas. Los pagos por descubrimiento indicarían un progreso temprano, mientras que los hitos de desarrollo sugerirían que los programas seleccionados superaron umbrales internos más altos.
La segunda señal es la validación experimental independiente. La evidencia útil podría incluir hallazgos celulares replicados, estudios en animales, análisis genéticos o investigación revisada por pares que vincule una diana con la progresión de la enfermedad.
La publicación por sí sola no garantizará el éxito. Sin embargo, métodos claros y replicación externa facilitarían la evaluación de si la plataforma identifica biología causal en lugar de coincidencias estadísticas.
La tercera señal es la estratificación de pacientes. Las empresas describen la MASH y las cardiomiopatías como enfermedades heterogéneas, por lo que sus programas deberían definir finalmente qué pacientes presentan el mecanismo pertinente.
Los biomarcadores podrían proporcionar ese puente. Un biomarcador es una característica biológica medible utilizada para identificar la actividad de la enfermedad, la respuesta al tratamiento o la elegibilidad de un paciente. Los biomarcadores sólidos ayudarían a AstraZeneca a probar cada medicamento en el grupo con mayor probabilidad de beneficiarse.
Estas señales llegarán lentamente. La colaboración comienza antes de la selección de candidatos, mientras que el desarrollo farmacéutico suele extenderse durante varios años. Los primeros anuncios pueden referirse a dianas o programas preclínicos en lugar de resultados de ensayos en humanos.
La actividad de los competidores aportará contexto adicional. El trabajo previo de Gilead con insitro ofrece una referencia histórica en enfermedades hepáticas. Las otras asociaciones de IA de AstraZeneca pueden mostrar si distintos sistemas de descubrimiento producen dianas que entran en su cartera.
Los lectores deberían evitar tratar todos los hitos como equivalentes. Una predicción computacional, una diana validada, un candidato de desarrollo y un medicamento clínico exitoso representan niveles de evidencia muy diferentes.
El acuerdo entre AstraZeneca e insitro es importante porque aplica la IA a un cuello de botella crucial. Seleccionar la diana equivocada puede socavar todo lo que sigue. Seleccionar una mejor puede mejorar las probabilidades de cada decisión posterior.
El acuerdo también muestra cómo las empresas farmacéuticas están estructurando la adopción de IA. AstraZeneca mantiene el control de los ensayos, la regulación y la comercialización. Insitro aporta modelos especializados, datos biológicos y capacidades de descubrimiento.
Ese modelo distribuye la experiencia sin eliminar la responsabilidad. Si los programas fracasan, el fallo puede surgir de la selección de dianas, el diseño de moléculas, la seguridad, el diseño de ensayos o la biología humana. Ningún algoritmo individual controla toda la cadena.
Para investigadores y líderes empresariales, esto hace que la gestión de la evidencia sea tan importante como el rendimiento del modelo. Los equipos deben conectar cada predicción con sus conjuntos de datos, supuestos, experimentos y decisiones.
Una base de conocimientos de IA puede ayudar a las organizaciones a preservar ese rastro entre artículos, reuniones y actualizaciones experimentales. El objetivo práctico no es recopilar más información. Es conservar la evidencia que respalda cada cambio de criterio.
La pregunta inmediata es clara: ¿la asociación nominará dianas que AstraZeneca lleve al desarrollo? Después de eso, los lectores deberían estar atentos a biología replicada y estrategias específicas de selección de pacientes.
Estos resultados revelarán si la colaboración encontró un mejor mecanismo de descubrimiento o produjo otro gran conjunto de hipótesis plausibles. El límite de 1.500 millones de dólares atrae atención, pero el primer candidato a fármaco creíble importará mucho más.
