Prompt-to-Pill: Tubería de Descubrimiento de Fármacos y Simulación Clínica Multiagente

Área de la Ciencia:

• Química computacional y farmacología
• Inteligencia artificial en medicina
• Descubrimiento y desarrollo de fármacos

Sus antecedentes:

• El descubrimiento tradicional de fármacos es largo y costoso.
• Los modelos de lenguaje grandes (LLM) muestran potencial en diversas aplicaciones científicas.
• La integración de LLM en todo el pipeline de desarrollo de fármacos sigue siendo un desafío.

Objetivo del estudio:

• Presentar un marco de IA integral y modular para el descubrimiento de fármacos y la simulación de ensayos clínicos.
• Demostrar la viabilidad de un sistema multiagente basado en LLM para el desarrollo virtual de fármacos.
• Cerrar la brecha entre la investigación preclínica y el desarrollo clínico utilizando IA.

Principales métodos:

• Desarrolló una arquitectura Prompt-to-Pill utilizando un sistema multiagente (MAS) con LLM especializados.
• Implementó un flujo de trabajo que cubre la identificación de objetivos, la generación molecular, la predicción de ADMET, el acoplamiento y la optimización de líderes.
• Simuló fases de ensayos clínicos, incluida la contratación de pacientes y la predicción de resultados utilizando datos de EHR.

Principales resultados:

• Demostró con éxito el marco de IA de extremo a extremo utilizando Dipeptidil Peptidasa 4 (DPP4) como caso de uso.
• Integró LLM generativos, predictivos y basados en recuperación para la operación fluida del flujo de trabajo.
• Mostró el potencial de los agentes basados en LLM para operacionalizar el desarrollo de fármacos *in silico*.

Conclusiones:

• El marco Prompt-to-Pill ofrece un enfoque novedoso para el descubrimiento de fármacos impulsado por IA y los ensayos clínicos virtuales.
• Los sistemas multiagente basados en LLM pueden acelerar y optimizar significativamente el proceso de desarrollo de fármacos.
• Este trabajo proporciona una base para futuras aplicaciones de IA en la investigación farmacéutica.