El fármaco desarrollado por Insilico Medicine mediante inteligencia artificial para la fibrosis pulmonar idiopática (FPI) entra en la fase III de ensayos clínicos.

Medicina Insilico está avanzando hacia Ensayos clínicos de fase III en humanos para probar un fármaco identificado mediante inteligencia artificial fibrosis pulmonar idiopática (FPI)Este avance proporciona al sector del descubrimiento computacional de fármacos casos de prueba empíricos, lo que permite que un medicamento desarrollado mediante IA supere las primeras evaluaciones de seguridad y llegue a la validación de eficacia en etapas avanzadas.

La FPI destruye la capacidad respiratoria a través de una cicatrización grave del tejido pulmonar. Los pacientes suelen presentar una La mediana de supervivencia es de dos a cuatro años después del diagnóstico.. El fármaco identificado por IA, rentosertibCuando se administra por vía oral, inhibe la quinasa que interactúa con TRAF2 y NCK para abordar los mecanismos subyacentes de la enfermedad.

📊 Resultados del ensayo clínico de fase IIa

Un ensayo aleatorio evaluó 71 pacientes en 22 centros clínicos chinos, dividiendo a los participantes en cohortes de placebo y tratamiento activo. Los investigadores administraron dosis diarias de 30 mg o 60 mg durante un período de observación de 12 semanas.

Pacientes asignados al Régimen de 60 mg una vez al día demostró una ganancia media de capacidad vital forzada de +98,4 mL, contrastando marcadamente con el Pérdida de capacidad de 20,3 mL registrado en el grupo placebo.

Los perfiles de seguridad se mantuvieron manejables, con eventos adversos que reflejaron las tasas de referencia esperadas en todos los grupos del ensayo. Las autoridades reguladoras en el Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) otorgada 'Designación de medicamento huérfano' al activo en febrero de 2023.

🧬 Priorización algorítmica de objetivos mediante multiómicas

El desarrollo depende enteramente de Farmacia.IA, la plataforma computacional patentada que opera en Insilico Medicine. El flujo de trabajo se divide en distintos motores que gestionan tareas específicas de ingeniería biológica y química.

PandaOmics El sistema ejecuta la fase inicial de descubrimiento de objetivos. Ingiere vastos conjuntos de datos biológicos, procesando información genómica, resultados de ensayos clínicos, literatura académica e información sobre patentes para construir modelos integrales de redes biológicas. Los algoritmos aplican mecanismos de inferencia causal para identificar nuevos vínculos entre enfermedades ocultos en la arquitectura de datos.

PandaOmics aislado TNIK como objetivo biológico principal en la intervención para la FPI. El sistema computacional evitó las vías de la tirosina quinasa del receptor a las que se dirigen los medicamentos antifibróticos existentes.

El software mapeó a TNIK como un nodo central regulador fibrosis e inflamación a través de Canales de señalización Wnt, TGF-β, Hippo/YAP-TAZ, JNK y NF-κBEl proceso de selección de objetivos integró un marco de características distintivas del envejecimiento, puntuando los objetivos biológicos en función de su implicación en múltiples mecanismos de envejecimiento, inflamación crónica y remodelación de la matriz extracelular.

Feng Ren, doctor en filosofía, codirector ejecutivo y director científico de Insilico Medicine, dijo: "La FPI es uno de los ejemplos clínicos más claros de una enfermedad relacionada con la edad en la que confluyen la fibrosis, la inflamación crónica, la remodelación de la matriz extracelular y la senescencia celular."

"Rentosertib no se descubrió partiendo de un objetivo convencional y simplemente examinando más compuestos. Surgió de un Flujo de trabajo de IA basado en la biología y en el envejecimiento que relacionaba TNIK con los mecanismos de las enfermedades fibróticas e inflamatorias, y luego utilizaba la química generativa para crear un fármaco candidato con las propiedades necesarias para el desarrollo clínico."

⚗️ Ejecución de ingeniería molecular generativa

Tras la selección del objetivo, el Química42 El motor ejecuta el diseño molecular generativo. El sistema se aparta de las metodologías tradicionales de cribado de alto rendimiento. Chemistry42 no busca en bibliotecas de compuestos existentes; en su lugar, el sistema aplica Aprendizaje por refuerzo tensorial generativo para construir moléculas que se alineen físicamente con el sitio de unión de la proteína objetivo. Este proceso de ingeniería algorítmica equilibra el ajuste estructural con las propiedades farmacológicas requeridas.

La fase de generación computacional sintetizó exactamente 79 moléculas físicas para someterse a pruebas. El equipo de ingeniería seleccionó el Iteración número 55 para avanzar a las pruebas preclínicas. Este protocolo de generación dirigida redujo el tiempo desde el inicio del proyecto hasta la nominación del candidato preclínico. 18 meses.

La arquitectura fundamental proviene de la publicación de la empresa en 2019. Metodología GENTRL En Nature Biotechnology. La plataforma establece sistemas reproducibles que regulan la generación molecular, evitando los costosos procesos de ensayo y error que definen la química farmacéutica estándar.

🔬 Validación del impacto biológico mediante análisis proteómico

La evaluación clínica integra análisis proteómicos complejos para validar las interacciones biológicas predichas algorítmicamente. Insilico Medicine utiliza marcos internos de reloj de envejecimiento proteómico dentro del ensayo de FPI para capturar resultados exploratorios de gerociencia.

Relojes proteómicos de edad cronológica - incluido ProtAge, OrganAgechrono, ipfP3GPT y PAOPAC – Se realiza un seguimiento de los cambios previstos en la edad biológica resultantes de la intervención. Los investigadores utilizan las trayectorias asociadas a la edad del Biobanco del Reino Unido como conjuntos de datos de comparación externos, contextualizando las proteínas que responden al tratamiento con datos de una población amplia.

Relojes proteómicos relacionados con el riesgo de mortalidad, incluyendo PAC y OrganAgemortality, proporcionan flujos analíticos ortogonales junto con los puntos finales clínicos estándar. Los equipos clínicos ejecutan Análisis de firmas de SenMayo y CellAge evaluar la senescencia y la biología del fenotipo secretor asociado a la senescencia en modelos celulares.

Investigación revisada por pares publicada en Envejecimiento y enfermedad Se confirmó que la inhibición farmacológica de TNIK produce actividad senomórfica, generando reducciones observables en los indicadores de remodelación de la matriz extracelular.

📚 Documentación del proceso computacional

La transición de rentosertib a través del proceso clínico proporciona un registro de datos documentado y revisado por pares, esencial para verificar las capacidades de la IA en las ciencias de la vida. Biotecnología de la naturaleza Se publicó el proceso completo desde el descubrimiento hasta la clínica. La publicación detalla la priorización algorítmica de objetivos TNIK, los resultados de la química generativa, los datos de eficacia preclínica y la farmacocinética de fase I en humanos.

La Revista de Química Medicinal Se publicó la validación de biología estructural, detallando el descubrimiento de los nuevos quimiotipos inhibidores de TNIK y proporcionando respaldo estructural a través de la estructura de cocristal del dominio quinasa de TNIK. Medicina natural Documentaron los datos de seguridad y función pulmonar de la Fase IIa, proporcionando una validación empírica de las predicciones computacionales.

Alex Zhavoronkov, doctor en filosofía, fundador y director ejecutivo de Insilico Medicine, comentó: "Rentosertib es un programa clave para Insilico porque representa la esencia de nuestra misión: utilizar la IA no solo para avanzar más rápido, sino para generar nueva biología, nueva química y nuevas oportunidades terapéuticas."

"Este programa comenzó con la hipótesis de que La biología del envejecimiento podría ayudar a identificar objetivos importantes para las principales enfermedades.Ahora ha avanzado a través del descubrimiento de objetivos, diseño molecular, validación preclínica, seguridad de fase I, datos clínicos aleatorizados de fase IIa y al desarrollo de fase III. Para el campo del descubrimiento de fármacos con IA, esto ya no es solo una historia de velocidad, es una Historia de traslación clínica"

⚡ Conclusión clave: La adopción de la IA en la biofarmacia requiere datos verificables sobre los resultados en humanos. Ensayo de fase III Los algoritmos generativos se someten a la prueba definitiva de eficacia clínica, lo que supone un hito importante en el desarrollo de fármacos impulsado por la IA.