Juegos de poder en materia de patentes para el descubrimiento de fármacos mediante IA
En abril de 2024, BioPharmaTrend publicó una revisión exhaustiva del estado pasado y actual del descubrimiento de fármacos mediante inteligencia artificial (IA), tomando como punto de partida la llegada del aprendizaje profundo moderno en 2012. La revisión destacó especialmente a nueve empresas líderes en el sector que «pueden diseñar y desarrollar candidatos a fármacos de novo (en su mayoría moléculas pequeñas) y cuentan con carteras internas».
Dada la importancia crítica de los derechos de patente en los productos farmacéuticos y la biotecnología, y ante la inminente expiración de las patentes, hemos analizado si se pueden extraer tendencias o inferir estrategias a partir de las carteras de patentes de estas nueve empresas ejemplares[1]. Este artículo, la primera parte de dos, plantea varias preguntas para analizar las estrategias de patentes de las empresas y ofrece conclusiones de alto nivel sobre sus carteras. La segunda parte profundizará en cómo estas carteras están utilizando análisis y tácticas para un desarrollo eficaz de las mismas y proporcionará un marco práctico para desarrollar y ejecutar la estrategia de patentes en este campo.
Análisis de las carteras de patentes
A continuación se presentan algunas preguntas clave que ayudarán a comprender las carteras de patentes de las nueve empresas de descubrimiento de fármacos mediante IA perfiladas, incluyendo cómo se comparan con las carteras de las grandes empresas farmacéuticas:
- ¿Estas empresas protegen aspectos de sus tecnologías de inteligencia artificial (IA) y aprendizaje automático (ML), además de las tecnologías farmacéuticas convencionales, como las composiciones de medicamentos, las pruebas in vivo, el cribado en laboratorio húmedo, etc.?
- ¿Existen tendencias a lo largo del tiempo en el ámbito de la IA/ML frente a las tecnologías convencionales?
- ¿En qué medida las carteras de patentes se ajustan a los objetivos conocidos públicamente en los que se centran estas empresas?
- ¿Cómo se comparan estas carteras de patentes con el total de patentes activas y solicitudes pendientes en EE. UU. para esos mismos objetivos?
A continuación se presenta una primera evaluación de los datos[2] que puede ayudar a responder estas preguntas:
1. Composición frente a protección contra IA/ML y tendencias a lo largo del tiempo
La tabla 1 muestra el total de activos de patentes que pueden asignarse claramente (basándose en palabras clave[3]) a la protección de composiciones farmacéuticas u otras tecnologías convencionales frente a la IA/ML u otras tecnologías computacionales.
Tabla 1. Panorama de solicitudes (todos los activos de patentes estadounidenses de todas las empresas)
| Empresa | Composición farmacéutica/Solicitudes de tecnología convencional (% del total) | Presentaciones relacionadas con IA/ML (% del total) | Total |
| Total | 263 (67) | 127 (33) | 390 |
Como se muestra en la tabla 1, las solicitudes de patentes en general se inclinan hacia la farmacia convencional en relación con las solicitudes de IA/ML (y computacionales). Sin embargo, esto puede reflejar que ciertas empresas han presentado históricamente más solicitudes convencionales antes de ampliar su presencia en el ámbito de la IA/ML.
2. Tendencias a lo largo del tiempo
La figura 1 muestra el número de solicitudes presentadas desde 2012 en cada categoría. En general, el volumen de solicitudes de estas empresas ha aumentado tanto en el ámbito de la IA/ML como en el de las tecnologías convencionales, con un mayor equilibrio hacia estas últimas. Estas tendencias pueden reflejar tanto la expansión de los esfuerzos de las empresas en materia de patentes como la relativa novedad de estas empresas.
Figura 1. Tendencias de presentación por categoría
3. Cartera -> Asignación de objetivos
La hipótesis para estas empresas es que desarrollarían su protección mediante patentes para alinearse con los objetivos que han dado a conocer como significativos: la estrategia de patentes más habitual consiste en alinear las solicitudes con las prioridades comerciales clave. La tabla 2 que figura a continuación enumera los objetivos publicados junto con un recuento de las solicitudes de patentes que se corresponden con dichos objetivos, basándose en búsquedas por palabras clave de los objetivos en las carteras de patentes.[4][5]
Tabla 2. Asignación de objetivos
| Objetivo | Presentaciones convencionales | Presentaciones de IA/ML |
| 3CLpro | 2 | |
| A2aR | 1 | |
| APJR | 1 | |
| Bcr-Abl | ||
| CDC7 | ||
| CDC7 | ||
| CDK2 | 1 | |
| CDK7 | 1 | |
| CDK | 2 | 1 |
| CHK1 | ||
| cMYC | ||
| DGKA | 1 | |
| EFGR (C797S) | 10 | |
| ENPP1 | ||
| ENPP1 | ||
| ERα | 8 | |
| FGFR2 | 10 | |
| FGFR2/3 | 1 | |
| HDAC | 1 | |
| HIF-2a | ||
| HPK1 | ||
| HPK1 | ||
| HSP90 | 7 | |
| JAK2 | 1 | |
| KAT6 | ||
| LPA1R | ||
| LRRK2 | ||
| LSD1 | ||
| MALT1 | ||
| MALT1 | ||
| MAT2A | 1 | |
| MEK1, MEK2 | ||
| Mpro | ||
| MYT1 | ||
| NLRP3 | ||
| NLRP3 | ||
| NLRP3 | ||
| PARP1 | ||
| PARP7 | ||
| PDE10 | ||
| PHD1/2 | 1 | |
| PI3Kα | 10 | |
| PIKfyve | ||
| PKC, GSK3β | 1 | |
| PKC-theta | 1 | |
| PRMT5-MTA | ||
| QPCTL | ||
| RARαβ | ||
| RBM39 | 1 | |
| Inhibidor ROCK 1/2 | ||
| Agonista S1P1 | ||
| SHP2 | 10 | |
| SOS1 | ||
| TEAD | 1 | |
| TNIK | 2 | |
| TrkA, TrkB, TrkC | ||
| TYK2 | 2 | |
| USP1 | 1 | |
| USP28 | 5 | |
| USP7 | 6 | |
| WEE1 | ||
| α4β7 | 1 | |
| Αvβ8 |
Todas las solicitudes de IA/ML, excepto dos, no dicen nada sobre sus objetivos principales. Esto lleva a varias preguntas/hipótesis de seguimiento sobre cómo se están desarrollando estas carteras de patentes:
- ¿Es necesario que la protección de las patentes de tecnologías de IA/ML se centre en objetivos específicos? Esto podría depender de hasta qué punto los objetivos están vinculados al desarrollo de las tecnologías de IA/ML, en contraposición a las tecnologías que son de aplicación general en todos los objetivos.
- ¿Qué otros factores influyen en la selección de los objetivos clave para el proceso de descubrimiento de fármacos mediante IA? Las empresas pueden disponer de datos bien integrados con tecnologías de IA/ML, o tener objetivos generales vinculados a objetivos específicos, aunque las tecnologías de IA/ML en sí mismas no tengan por qué limitarse a esos objetivos.
- ¿Se están dedicando los recursos de patentes/propiedad intelectual a objetivos distintos de la protección dirigida a metas específicas? Por un lado, especialmente para las empresas en fase inicial, es fundamental identificar las prioridades en materia de protección de la propiedad intelectual y, a continuación, desplegar los recursos para proteger las innovaciones de manera coherente con dichas prioridades. Por otro lado, la priorización de los recursos es una razón más para centrar los recursos de propiedad intelectual en la protección de las tecnologías fundamentales que están directamente relacionadas con las prioridades comerciales de las empresas.
- ¿Son los objetivos una variable sustitutiva útil para evaluar la estrategia de patentes? Si bien los objetivos facilitan la realización de una primera comparación directa entre las solicitudes de patentes y las publicaciones de las empresas, otros factores a tener en cuenta podrían ser las indicaciones, las clases de medicamentos o la información presentada en las solicitudes de patentes que explica las mejoras logradas y para qué se pueden utilizar las tecnologías de IA.
- ¿Cómo afecta el retraso en la publicación de patentes a las previsiones? Como se ha señalado, el retraso habitual de 18 meses entre la solicitud de la patente y su publicación oculta las tecnologías más avanzadas. Si volvemos a examinar el artículo de BioPharmaTrend , muchos de los objetivos identificados en la tabla 1 no superaron la fase de descubrimiento hasta 2022 o más tarde, por lo que es posible que las solicitudes de patente correspondientes aún no se hayan hecho públicas.
4. Comparación de las carteras de patentes de las empresas de IA con el panorama general
Para ayudar a contextualizar las carteras de patentes de las empresas, también se pueden comparar con el panorama general, utilizando los objetivos como referencia, a fin de proporcionar una evaluación del orden de magnitud de la cuota de las empresas en el panorama general.
La tabla 3 muestra el número total aproximado de solicitudes presentadas en EE. UU. para esos objetivos y para el solicitante más importante. Dada la escasez de solicitudes que se muestra en la tabla 2, esta lista se ha limitado a comparar los objetivos en los que las empresas de descubrimiento de fármacos mediante IA tienen al menos una solicitud.
Tabla 3. Solicitudes de patentes por objetivo en relación con el panorama general
| Objetivo | Composición | IA/ML | Total aproximado de solicitudes en EE. UU. (total aproximado para el solicitante líder) |
| 3CLpro | 2 | 3800 (100) | |
| A2aR | 1 | 6500 (120) | |
| APJR | 1 | 1600 (19) | |
| CDK2 | 1 | Total indeterminado (40) | |
| CDK7 | 1 | 4000 (100) | |
| CDK | 2 | 1 | Total indeterminado (170) |
| DGKA | 1 | 360 (25) | |
| EFGR (C797S) | 10 | Total indeterminado (380) | |
| ERα | 8 | Más de 10 000 (80) | |
| FGFR2 | 10 | Total indeterminado (40) | |
| FGFR2/3 | 1 | Total indeterminado (40) | |
| HSP90 | 7 | Más de 10 000 (60) | |
| JAK2 | 1 | Más de 10 000 (200) | |
| MAT2A | 1 | 2800 (15) | |
| PHD1/2 | 1 | Total indeterminado (50) | |
| PI3Kα | 10 | 2000 (40) | |
| PKC, GSK3β | 1 | Indeterminado (180) | |
| PKC-theta | 1 | 4000 (40) | |
| RBM39 | 1 | 300 (20) | |
| Agonista S1P1 | Total indeterminado (80) | ||
| SHP2 | 10 | 7000 (100) | |
| TEAD | 1 | Total indeterminado (10) | |
| TNIK | 2 | 400 (50) | |
| TYK2 | 2 | 7400 (70) | |
| USP1 | 1 | 3000 (60) | |
| USP28 | 5 | Total indeterminado (15) | |
| USP7 | 6 | Total indeterminado (90) | |
| α4β7 | 1 | 3700 (150) |
Como se puede observar en la tabla 3, el número total de solicitudes relacionadas con los objetivos clave suele ser del orden de cientos, si no miles, y el solicitante líder tiene entre decenas y cientos de solicitudes. La discrepancia en el volumen de solicitudes puede explicarse en parte por el hecho de que las empresas de descubrimiento de fármacos mediante IA se han fundado hace relativamente poco tiempo. Sin embargo, esto no cambia la realidad de que hay muchas más patentes (y posibles competidores que poseen patentes) que podrían utilizarse contra las empresas emergentes de descubrimiento de fármacos mediante IA que al revés. Por lo tanto, puede que estas empresas tengan oportunidades para desarrollar patentes valiosas, incluyendo (pero sin limitarse a) fines defensivos y/o de licencia cruzada.
Conclusiones
A continuación se presentan las conclusiones principales de este análisis:
Las empresas dedicadas al descubrimiento de fármacos mediante IA cuentan con carteras de patentes que, por lo general, presentan un equilibrio entre sus tecnologías de IA/ML/computación y sus composiciones farmacéuticas y otras invenciones farmacéuticas/biotecnológicas más tradicionales. Esto puede reflejar varios escenarios diferentes que dan lugar a una composición similar de la cartera: empresas que han pasado con el tiempo de las invenciones tradicionales a las de IA/ML; empresas que comienzan con un equilibrio entre ambas; y el retraso en la publicación de patentes, que oculta las solicitudes más recientes que podrían estar más centradas en la IA/ML.
Es posible que estas empresas estén subestimando considerablemente su capacidad para proteger explícitamente las tecnologías dirigidas a objetivos clave, especialmente con la expiración de las patentes prevista para finales de esta década. Al menos en lo que respecta a la IA/ML, esto podría deberse a que las invenciones de IA/ML en sí mismas podrían ser lo suficientemente amplias como para aplicarse a cualquier objetivo, o podrían estar dirigidas a aplicaciones distintas de la identificación de objetivos y/o el descubrimiento de fármacos.
Dado el rápido avance en este ámbito y los cambios que se avecinan en el panorama general de las patentes biotecnológicas y farmacéuticas en los próximos 5-10 años, las empresas de descubrimiento de fármacos basadas en la inteligencia artificial tienen una gran oportunidad de crear ventajas estratégicas con la protección de sus patentes. En concreto, pueden desarrollar protección para el desarrollo de fármacos en una amplia variedad de clases de fármacos y objetivos, como complemento a las patentes más convencionales, centradas en la composición. Esta protección puede resultar valiosa para la aplicación directa contra la competencia, así como para las asociaciones estratégicas y las licencias en todo el sector biotecnológico y farmacéutico.
Serie sobre la IA en la atención sanitaria
Para obtener más información sobre cómo la inteligencia artificial cambiará el mundo de la atención sanitaria,haga clic aquípara leer los demás artículos de nuestra serie.
[1] Por lo general, transcurren 18 meses entre el momento en que se presentan las solicitudes de patente y el momento en que se publican por primera vez. Esto puede dificultar la obtención de conclusiones sólidas sobre las carteras de patentes de las empresas en fase inicial y/o de las empresas que operan en áreas tecnológicas en rápida evolución.
[2] Para que resulte más manejable, estos análisis se limitan a las patentes y solicitudes de patentes estadounidenses.
[3] Las solicitudes se clasificaron primero en función de si los títulos se correspondían claramente con la composición del fármaco o con tecnologías convencionales frente a tecnologías de IA/ML y, en segundo lugar, en función de palabras clave, si era necesario. Varios casos se solapaban entre estas dos categorías; algunos se clasificaron como relacionados con la IA/ML, aunque dichas tecnologías se centraban más en el análisis de datos que en el diseño inicial del fármaco.
[4] Véase la tabla 1 del artículo de BioPharmaTrend; la tabla 2 aquí no distingue entre objetivos por fase.
[5] El simple hecho de incluir un objetivo en una solicitud de patente no significa que la patente resultante de dicha solicitud vaya a proteger realmente ese objetivo, pero ser excesivamente inclusivo en este sentido supone un primer paso para contrastar las carteras de las empresas de IA con las de empresas más consolidadas.
