Modelo de IA multimodal predice resultados clínicos de combinaciones de fármacos

Un equipo de investigadores presentó Madrigal, un modelo de inteligencia artificial multimodal que predice resultados clínicos de combinaciones de fármacos a partir de datos preclínicos. El trabajo, publicado en arXiv (arXiv:2503.02781v3), busca mejorar la selección de terapias seguras y eficaces y reducir fallos en etapas avanzadas del desarrollo farmacéutico.

Los modelos de IA convencionales utilizan estructura molecular y anotaciones de dianas, pero no aprovechan las lecturas de perturbación que describen cómo actúa un compuesto en un contexto celular. Madrigal integra datos estructurales, de vías, de viabilidad celular y transcriptómicos, y alinea estas modalidades en un espacio latente compartido para 21.842 compuestos.

Datos de entrenamiento y desempeño

El modelo fue entrenado con 158 resultados de combinaciones curados por expertos y 795 reportados por pacientes. Según el estudio, Madrigal supera a métodos unimodales y a enfoques multimodales de vanguardia. Los análisis de ablación muestran que tanto la alineación de modalidades como la entrada multimodal mejoran el rendimiento predictivo.

Madrigal predice un riesgo elevado para combinaciones que comparten transportadores de membrana. En ensayos comparativos de dos brazos, el brazo con mayor incidencia observada de neutropenia, anemia, alopecia o hipoglucemia recibió la mayor predicción de riesgo en 25 de 28 comparaciones.

Aplicaciones en MASH y oncología

En el contexto de MASH, el modelo clasifica a resmetirom entre los candidatos con seguridad predicha favorable cuando se combina con fármacos para diabetes tipo 2. Asimismo, mejora la predicción de eventos adversos en una cohorte longitudinal de pacientes y en una cohorte oncológica independiente, y predice eficacia en muestras primarias de leucemia mieloide aguda y en xenoinjertos derivados de pacientes.

El estudio concluye que la integración de múltiples modalidades de datos preclínicos permite anticipar resultados clínicos de combinaciones de fármacos, lo que podría optimizar la selección de terapias y reducir fallos tardíos.