Owkin: cómo la IA acelera el descubrimiento de fármacos

⏱ Tiempo de lectura: 4 min

Thomas Clozel, oncólogo y cofundador de Owkin, explica cómo la inteligencia artificial está transformando la investigación biomédica. La startup, fundada en 2016, desarrolla sistemas autónomos de IA para acelerar el descubrimiento de fármacos combinando datos de pacientes, investigación biológica y experiencia clínica.

IA para entender enfermedades a múltiples escalas

Clozel observó como oncólogo que muchos pacientes jóvenes desarrollaban cáncer sin explicación clara en su historial médico, incluso tras cien años de investigación. Esto lo llevó a concluir que la biología requiere razonamiento simultáneo a múltiples escalas: desde moléculas hasta organismos completos, integrando datos heterogéneos como biopsias tisulares, historiales de tratamiento y análisis genómicos. En 2016 cofundó Owkin con Gilles Wainrib, investigador de aprendizaje automático, utilizando aprendizaje federado para que los modelos de IA aprendan de datos hospitalarios sin que estos abandonen la institución. La investigación en IA requiere garantizar privacidad mientras se maximiza el uso de información clínica valiosa.

Validación rigurosa: cuatro etapas antes de influir en decisiones

Owkin no trata las predicciones de IA como hechos confirmados. K Pro, su plataforma insignia que integra patología, genómica, biología espacial y resultados clínicos, genera hipótesis que deben pasar cuatro etapas. Primero, replicación computacional: la señal debe mantenerse en conjuntos de pacientes independientes y tipos de datos no utilizados originalmente. Segundo, escrutinio mecanístico: existe explicación causal coherente y pruebas sólidas. Tercero, validación en laboratorio mediante modelos derivados de pacientes, organoides y experimentos de perturbación génica. Cuarto, ensayos clínicos: Owkin prueba actualmente OKN4395 en el ensayo INVOKE, recolectando datos detallados para validar tanto el fármaco como el razonamiento del modelo sobre mecanismos de enfermedad y poblaciones de pacientes. Los agentes de IA que recibieron retroalimentación iterativa de laboratorio fueron 166-185% mejores que selección aleatoria identificando genes que modifican comportamiento celular significativamente.

Multimodalidad de datos: imagen completa de la enfermedad

Integrar patología, genómica, biología espacial y resultados clínicos produce evidencia biológica más sólida que datasets únicos. Cada modalidad ofrece perspectiva parcial; ninguna por sí sola explica causalidad completa. Al observar enfermedad desde múltiples ángulos simultáneamente se aproxima a imagen integral: vinculando actividad génica a estructura física tisular y biología subyacente de pacientes a observaciones clínicas reales. La IA puede combinar tipos de datos muy diferentes hallando patrones subyacentes que humanos difícilmente logran independientemente. Este enfoque multimodal es central en la estrategia de Owkin.

Confiabilidad: métrica principal para evaluar IA científica

Owkin ha establecido relaciones estratégicas con Sanofi, Bristol Myers Squibb y MSD, construyendo red global de investigadores académicos, clínicos, socios de datos de pacientes e infraestructura de laboratorio. Clozel destaca que confiabilidad es métrica más importante evaluando IA científica, no precisión predictiva aislada. Un sistema que ocasionalmente produce respuesta muy precisa resulta interesante pero poco útil industria. La entrevista completa en www.unite.ai detalla cómo Owkin avanza hacia lo que denomina Inteligencia Artificial Biológica Superinteligente: sistema automejorable capaz de conducir porciones cada vez mayores del proceso descubrimiento farmacológico autónomamente.

Elemento	Detalle
Empresa	Owkin
Cofundadores	Thomas Clozel (oncólogo) y Gilles Wainrib (investigador aprendizaje automático)
Año de fundación	2016
Tecnología principal	Aprendizaje federado, modelos IA autónomos para descubrimiento farmacológico
Plataforma insignia	K Pro: integra patología, genómica, biología espacial, resultados clínicos
Etapas validación	Replicación computacional, escrutinio mecanístico, validación laboratorio, ensayos clínicos
Ensayo clínico activo	INVOKE (candidato OKN4395)
Mejora con retroalimentación	Agentes IA: 166-185% mejor que selección aleatoria identificando genes funcionales
Socios farmacéuticos	Sanofi, Bristol Myers Squibb, MSD
Antecedentes Clozel	Profesor Asistente Onco-Hematología Clínica (Hopital Henri Mondor, París), miembro laboratorio Dr. Ari Melnick (Weill Cornell Medical College)

Preguntas frecuentes sobre IA en descubrimiento farmacológico

¿Cómo distingue Owkin hipótesis reales de correlaciones falsas generadas por IA?

Mediante cuatro etapas: replicación computacional en datasets independientes, escrutinio mecanístico riguroso, validación laboratorio con organoides y modelos de pacientes, y finalmente ensayos clínicos. Cada hipótesis se considera incorrecta hasta probarse experimentalmente.

¿Por qué combinar múltiples tipos de datos produce mejor evidencia?

Cada modalidad ofrece perspectiva incompleta. Integrar patología, genómica, biología espacial y resultados clínicos permite observar enfermedad desde múltiples ángulos, aproximándose a explicación causal completa que ningún dataset único puede proporcionar.

¿Cuál es la métrica de éxito más importante para IA científica?

Confiabilidad. Un sistema ocasionalmente muy preciso es interesante académicamente pero poco útil industrialmente. La IA debe ser confiable consistentemente para influir decisiones de investigación y desarrollo farmacológico real.

Qué conviene mirar de cerca

El enfoque de Owkin enfatiza que IA generativa requiere validación experimental rigurosa antes de traducirse a decisiones clínicas. La retroalimentación laboratorio iterativa mejora significativamente capacidad del modelo. Este rigor contrasta con aproximaciones que publican predicciones sin validación experimental completa.

En Inteligencia Artificial consideramos que modelos generativos son herramientas para formular hipótesis mejores, no sustitutos de método científico. ¿Cómo garantizar que sistemas autónomos que conducen descubrimiento conservan rigor experimental?

Fuente: www.unite.ai