Industria biotecnológica · global
La competencia en el descubrimiento de fármacos con IA se extiende a las redes de colaboración: un estudio estratégico de 25 empresas perfila el reparto de funciones en el sector
Las farmacéuticas incorporan la IA a sus procesos de investigación y desarrollo, las empresas emergentes de IA crean plataformas y fármacos candidatos, y los gigantes tecnológicos suministran modelos y capacidad de cómputo. Un estudio estratégico japonés describe cómo los tres grupos conectan sus recursos y deja una pregunta clave: ¿pueden estas colaboraciones traducirse en resultados farmacológicos verificables?
Desde que un modelo propone una molécula prometedora hasta que esta se convierte en un fármaco, quedan muchas etapas por superar. Quién puede aportar datos sobre enfermedades, organizar experimentos y llevar después las moléculas candidatas a estudios en humanos está influyendo en la configuración del sector del descubrimiento de fármacos con IA. Un estudio estratégico publicado en agosto por la japonesa TPC Marketing Research señala que la colaboración entre farmacéuticas, empresas emergentes de IA y grandes empresas tecnológicas se está convirtiendo gradualmente en una vía importante para integrar tecnología, datos y carteras de fármacos en desarrollo.
El «Estudio de estrategias empresariales para el descubrimiento de fármacos con IA de 2026» se publicó el 24 de agosto; TPC difundió un comunicado el día 26 e International Business Times también informó sobre sus puntos principales. Según la página pública del informe, el estudio se realizó entre mayo y agosto de 2026, consta de 121 páginas y abarca 11 empresas farmacéuticas, 10 empresas emergentes de IA y 4 empresas tecnológicas, entre ellas AstraZeneca, Recursion, Insilico Medicine, NVIDIA, Amazon, Google y Microsoft. Estas cifras representan el conjunto de empresas incluidas en el estudio y no permiten considerarlo una encuesta sobre la tasa de adopción en todo el sector.
El ámbito de aplicación descrito por TPC se ha ampliado desde la identificación de dianas de enfermedades y el cribado de compuestos hasta el diseño molecular, la predicción de ADMET y el desarrollo preclínico y clínico. ADMET se refiere a la absorción, distribución, metabolismo, excreción y toxicidad de los fármacos: cómo se desplaza y se procesa una molécula candidata tras entrar en el organismo y qué daños podría causar. Si los modelos pueden ayudar a predecir estas propiedades, podrían facilitar a los investigadores la organización del orden de las verificaciones; pero las propias predicciones siguen requiriendo comprobación experimental. El estudio también excluye expresamente los usos administrativos generales, como la reducción de la introducción de datos, y se centra en tareas directamente relacionadas con el descubrimiento de fármacos.
Los tres tipos de empresas intervienen en etapas distintas. Según el comunicado de TPC, las farmacéuticas se concentran en incorporar la IA a sus procesos existentes de investigación y desarrollo; las empresas emergentes de IA construyen plataformas a la vez que crean y desarrollan fármacos candidatos; y las empresas tecnológicas proporcionan modelos, servicios en la nube, GPU e infraestructura de computación de alto rendimiento. TPC considera que, mediante la colaboración, las farmacéuticas obtienen tecnología, datos y capacidad de cómputo externos, por lo que la competencia pasa gradualmente a abarcar la forma de combinar el conjunto de recursos. Desde esta perspectiva, la capacidad de las redes de colaboración para conectar los resultados computacionales con el trabajo real de investigación y desarrollo ofrece una pista para comprender la configuración del sector.
Sin embargo, los materiales públicos presentan un panorama estratégico. TPC menciona que algunos fármacos candidatos en cuya creación o diseño ha participado la IA ya han entrado en desarrollo clínico, pero el resumen no proporciona resultados de ensayos que puedan cotejarse individualmente, conjuntos de datos de validación de modelos ni datos comparativos sobre los costes de investigación y desarrollo y las tasas de éxito. Por tanto, este estudio puede respaldar la descripción de una expansión de las aplicaciones de IA, pero todavía no basta para demostrar que haya mejorado de forma generalizada los resultados del desarrollo de nuevos fármacos; entrar en estudios en humanos tampoco significa que la eficacia y la seguridad hayan quedado demostradas.
Contexto
El debate sobre el descubrimiento de fármacos con IA está cambiando a medida que los fármacos candidatos avanzan hacia la fase clínica: además de encontrar moléculas, los investigadores deben generar evidencia trazable y reproducible. Este estudio también incluye en su análisis las directrices sobre IA y aprendizaje automático de la PMDA de Japón, la FDA de Estados Unidos y la EMA de Europa, lo que indica que la regulación ya forma parte de las consideraciones estratégicas de las empresas. Sin embargo, el índice público no ofrece detalles suficientes para comparar los requisitos de cada organismo, ni puede interpretarse como señal de que alguna plataforma haya obtenido reconocimiento regulatorio.
La perspectiva que ofrece este estudio es cómo se está formando el reparto de funciones que sustenta el descubrimiento de fármacos con IA. Si los datos, los modelos, la capacidad de cómputo y las carteras de fármacos en desarrollo pueden conectarse mediante la colaboración, quizá las ideas de investigación puedan avanzar con mayor fluidez hacia el proceso de verificación; determinar si la colaboración realmente acorta los tiempos de desarrollo y reduce los fracasos sigue requiriendo datos experimentales y clínicos de proyectos concretos. Las redes del sector están tomando forma, mientras que la medición de los resultados debe centrarse en cada fármaco candidato.