El descobriment de fàrmacs és un dels processos més complexos i costosos de la indústria farmacèutica. La necessitat d'optimitzar múltiples paràmetres simultàniament —com l'eficàcia, la toxicitat, la biodisponibilitat i l'estabilitat— ha impulsat l'adopció de models de machine learning (ML) que assisteixen els científics a cada etapa del cicle Design-Make-Test-Analyze. No obstant, gestionar aquests models en producció no és trivial. Les plataformes tradicionals de Machine Learning Operations (MLOps) estan dissenyades per a entorns genèrics i no cobreixen les particularitats del domini farmacèutic: la composició de múltiples models en temps d'inferència per a l'optimització multiobjectiu, el versionat de models basats en física que no generen artefactes serialitzats, la precomputació de llibreries compostes empresarials i una governança estructurada per unitats científiques en lloc de controls d'accés genèrics.
En aquest context, Eli Lilly ha desenvolupat i posat en producció el Model Gateway, una plataforma cloud que centralitza la gestió de models de ML i models cientificocomputacionals al llarg dels pipelines de descobriment de fàrmacs. En producció, el sistema governa més de 200 models desplegats que abasten modalitats de molècules petites, pèptids i anticossos, servint a més de cinc aplicacions downstream en totes les fases del cicle. El Model Gateway proporciona control de versions centralitzat, governança adaptada a l'estructura farmacèutica, execució asíncrona, orquestració de models de consens, reentrenament automatitzat i una API unificada per a clients heterogenis, des de suites de disseny molecular fins a agents de Large Language Model (LLM).
Aquesta arquitectura resol problemes crítics que cap plataforma comercial o de codi obert aborda de forma simultània. Per exemple, la capacitat de compondre diversos models en temps d'inferència permet als químics computacionals avaluar simultàniament centenars de propietats, accelerant la selecció de candidats. El versionat especialitzat per a models físics —que manquen d'artefactes ML serialitzats— garanteix la reproducibilitat de simulacions de dinàmica molecular o docking. A més, la governança estructurada per unitats organitzatives científiques (equips de química medicinal, biologia estructural, DMPK, etc.) facilita la col·laboració i el compliment normatiu sense els sobrecostos d'administrar sistemes de control d'accés orientats a rols genèrics.
La implementació d'una plataforma d'aquestes característiques requereix un coneixement profund tant del domini farmacèutic com de les tecnologies cloud i d'intel·ligència artificial. Aquí és on empreses com Q2BSTUDIO aporten un valor diferencial. Amb una sòlida experiència en el desenvolupament d'aplicacions basades en IA i en la construcció d'infraestructures cloud escalables, Q2BSTUDIO ajuda a organitzacions de tot tipus a dissenyar i implantar sistemes de gestió de models que compleixin amb els requisits més exigents. La companyia ofereix aplicacions a mida que integren models de machine learning, serveis de cloud AWS/Azure, solucions de ciberseguretat per protegir dades sensibles de recerca i eines de BI/Power BI que visualitzen mètriques de rendiment de models i resultats d'experiments.
Un dels aspectes més innovadors del Model Gateway és l'orquestració de models de consens. En lloc de confiar en un únic model predictiu, la plataforma executa múltiples models entrenats amb diferents enfocaments (xarxes neuronals, boscos aleatoris, models basats en física) i combina les seves prediccions mitjançant estratègies de votació o promitjat ponderat. Això redueix el biaix i millora la robustesa de les prediccions, un factor crític quan es decideix quin compost sintetitzar i provar. L'execució asíncrona permet llançar aquestes avaluacions en paral·lel sobre infraestructura cloud elàstica, optimitzant costos i temps de resposta. El reentrenament automatitzat, per la seva banda, garanteix que els models s'actualitzin periòdicament amb noves dades experimentals, mantenint la seva precisió al llarg del temps.
Un altre pilar fonamental és l'API unificada. Tant les suites de disseny molecular (com Schrödinger o MOE) com els agents de LLM (que cada vegada s'usen més per generar hipòtesis o planificar síntesi) poden consumir els mateixos serveis d'inferència sense necessitat d'adaptacions complexes. Això democratitza l'accés als models i fomenta la col·laboració entre equips multidisciplinaris. A més, la governança estructurada per unitats científiques permet que cada equip gestioni els seus propis models, versions i permisos dins d'un marc corporatiu coherent, facilitant auditories i compliment de normatives com GxP o 21 CFR Part 11.
Des de la perspectiva de la ciberseguretat, treballar amb dades de recerca farmacèutica implica protegir informació altament sensible sobre compostos, dianes terapèutiques i resultats d'assajos. Q2BSTUDIO integra serveis cloud a AWS i Azure amb mecanismes de xifrat, gestió d'identitats i control d'accessos basat en polítiques, assegurant que només els usuaris autoritzats puguin accedir als models i dades. A més, les solucions de ciberseguretat de Q2BSTUDIO inclouen pentesting continu i monitorització d'amenaces, protegint la propietat intel·lectual de la companyia farmacèutica.
El business intelligence també juga un paper rellevant. Els pipelines de descobriment generen enormes volums de dades: resultats de screening, propietats calculades, mètriques de rendiment de models, etc. Amb eines de BI com Power BI, Q2BSTUDIO desenvolupa quadres de comandament que permeten als científics i gestors visualitzar tendències, identificar colls d'ampolla i prendre decisions basades en dades. Per exemple, un dashboard pot mostrar la taxa d'encert dels models en diferents fases del cicle, facilitant la priorització de recursos.
En definitiva, el Model Gateway representa un avenç significatiu en la gestió de models per al descobriment de fàrmacs, però el seu èxit depèn d'una arquitectura robusta i personalitzada. Empreses com Q2BSTUDIO, especialitzades en desenvolupament de programari a mida, intel·ligència artificial, cloud, ciberseguretat i BI, són el soci ideal per implementar solucions similars en qualsevol organització que busqui accelerar la innovació científica mantenint el control i la seguretat. La convergència de models de machine learning, agents d'IA generativa i plataformes cloud està redefinint la forma en què es descobreixen i desenvolupen nous medicaments, i disposar de la infraestructura adequada marca la diferència entre liderar o seguir en aquest camp tan competitiu.
