46 Pharmaceutical Technology Edición Sudamérica 2026 - N º199 los modelos mecanísticos. “En la fase de descubrimiento, la predicción de ADME y toxicidad mediante AI/ML resulta invaluable para el cribado rápido de extensas bibliotecas de compuestos, lo que permite reducir el riesgo de los proyectos antes de realizar inversiones significativas”, explica. Por ejemplo, Traynard señala que los modelos de AI/ML pueden predecir de forma rápida y precisa un conjunto completo de propiedades ADME directamente a partir de una estructura química, lo que permite a los científicos analizar y optimizar virtualmente miles de candidatos y centrar los recursos en los más prometedores. En el desarrollo clínico, por otro lado, los modelos basados en ML pueden emplearse en las primeras etapas para analizar datos de pacientes escasos e identificar de forma eficiente los factores que contribuyen a la variabilidad en la respuesta al fármaco, lo que da lugar a modelos farmacocinéticos poblacionales más robustos y a estrategias de administración mejor fundamentadas, según Traynard. Las técnicas de AI/ML son especialmente valiosas para clases de principios activos farmacéuticos (API) donde los métodos de modelado tradicionales presentan limitaciones debido a la complejidad biológica o química subyacente. Traynard destaca los compuestos con baja solubilidad y permeabilidad (Sistema de Clasificación Biofarmacéutica, Clases II/IV), donde la AI/ML puede modelar eficazmente la intrincada relación entre la formulación de un fármaco y su absorción in vivo para predecir la biodisponibilidad. “También se utiliza para API con perfiles de seguridad complejos o farmacocinética no lineal, ya que la AI/ML integra con facilidad diversos datos biológicos para identificar señales de seguridad, como el potencial de daño orgánico, que son difíciles de predecir con modelos más simples”, afirma. También se pueden obtener beneficios significativos al utilizar modelos de aprendizaje automático junto con la extrapolación in vitro-in vivo y el modelado farmacocinético fisiológicamente basado (PBPK), ya que la integración de estos enfoques proporciona una visión más completa del perfil ADMET de un fármaco 2. Según Traynard, la ampliación de los modelos PBPK y PK/PD poblacionales establecidos mediante el aprendizaje de la estructura del modelo y la estimación de parámetros es una segunda aplicación clave. Por ejemplo, estos modelos modificados son útiles para identificar covariables influyentes o relaciones no lineales en los datos clínicos. Una tercera aplicación importante de los algoritmos avanzados en el modelado PK/PD es la automatización de los flujos de trabajo de desarrollo de modelos, que Traynard cree que pueden reducir los pasos manuales que consumen mucho tiempo mediante la implementación de la selección de modelos guiada por aprendizaje automático, la optimización del ajuste y los diagnósticos. Se necesitan más datos de alta calidad El principal obstáculo para la generalización del uso de algoritmos de AI/ML en la mejora del modelado PK/PD es el mismo
RkJQdWJsaXNoZXIy NzE4NDM5