← Volver al inicio

¿Hasta dónde ha llegado la IA en el desarrollo de fármacos? Una revisión de 57 estudios revela la distancia entre el rendimiento de los modelos y la eficacia terapéutica

Una revisión sistemática de la investigación farmacéutica posterior a la pandemia encontró que las aplicaciones de la IA siguen concentrándose en el cribado molecular y el diseño temprano. Los resultados en las puntuaciones predictivas ya son numerosos, pero aún falta validación suficiente para saber si pueden acortar el desarrollo y mejorar la situación de los pacientes.

By SURL BioNews

Seleccionar moléculas que merezcan ser evaluadas experimentalmente entre enormes bibliotecas de compuestos es uno de los puntos de partida más laboriosos del desarrollo de fármacos. La inteligencia artificial está ayudando a los investigadores a reducir el campo de búsqueda, pero ¿qué distancia separa una selección informática acertada de un medicamento capaz de tratar enfermedades de forma segura y eficaz? Una nueva revisión sistemática que reúne 57 estudios señala que la evidencia actual respalda principalmente el valor de la IA como herramienta de apoyo en las primeras fases del descubrimiento, sin haber demostrado todavía mejoras en la eficacia clínica ni en los resultados de salud de los pacientes.

El estudio se publicó el 30 de octubre en *Frontiers in Artificial Intelligence* y fue realizado por Xin Yi Chang, Clarence Teo y Cheong Hian Goh. El equipo encontró 593 registros en PubMed y Scopus y seleccionó 57 estudios publicados entre 2023 y 2025. La búsqueda incluyó palabras clave relacionadas con la COVID-19, por lo que refleja la investigación comprendida en un ámbito de búsqueda específico y no puede tomarse directamente como una imagen completa de la adopción de la IA en toda la industria farmacéutica.

En este conjunto de publicaciones, el descubrimiento y el diseño de fármacos representaron el 54.4% de los ámbitos de investigación, mientras que el aprendizaje profundo fue la categoría tecnológica más frecuente, con un 35.1%. Las tareas concretas incluyeron predecir la unión entre moléculas y proteínas, cribar compuestos con posible actividad y explorar nuevos usos de medicamentos existentes. Numerosos estudios se centraron en dianas relacionadas con los coronavirus, utilizando primero los modelos para ordenar las moléculas candidatas y sometiéndolas después a comprobación experimental.

Más revelador que el número de aplicaciones es cómo midieron los investigadores sus resultados. La revisión registró un total de 152 menciones de métricas de evaluación, de las cuales el 80.9% correspondía a métricas de rendimiento de modelos de IA o aprendizaje automático, como la exactitud de clasificación y el error de predicción. El denominador de este porcentaje es el número de menciones de métricas, no los 57 estudios; un mismo artículo puede utilizar varias métricas. Las noticias de Bioengineer.org y Scienmag sobre esta misma revisión también destacaron esta base de cálculo.

Estas puntuaciones ayudan a comparar modelos, pero no bastan para responder qué ocurrirá cuando los fármacos candidatos se administren a seres humanos. Los autores señalan que la mayoría de los estudios incluidos se calificaron como de alto riesgo de sesgo y carecían de validación externa, por lo que sus resultados son más adecuados para formular hipótesis que deberán ponerse a prueba. Determinar si los modelos mantienen su rendimiento con datos a los que no estuvieron expuestos durante su desarrollo, y si las ventajas computacionales pueden traducirse en plazos de desarrollo más cortos, menores costes o una mayor eficacia terapéutica, requiere validación externa y estudios prospectivos.

Contexto

La cadena de evidencia de la IA aplicada al desarrollo de fármacos comienza con los datos y se extiende a los experimentos y a los seres humanos. Esta revisión menciona que algunos modelos se entrenaron y validaron con datos de compuestos procedentes de bases de datos como PubChem y BindingDB; la fiabilidad de los datos y la capacidad de las predicciones para extenderse más allá de los datos originales son cuestiones que deben examinarse al interpretar los resultados. Los autores sugieren que, en el futuro, podrían incorporarse más datos sobre la dinámica y la acción de los fármacos en el organismo para acercar la evaluación de los modelos a las condiciones reales de uso de los medicamentos.

La propia revisión también tiene límites: solo se buscaron estudios en dos bases de datos, se abarcaron tres años de publicaciones y no se registró previamente el protocolo de la revisión; además, los resultados positivos tienen más probabilidades de publicarse, lo que también puede magnificar la impresión de los beneficios de la tecnología. Su aportación consiste en situar los resultados de la IA aplicada al desarrollo de fármacos en una escala verificable: el cribado molecular ya ofrece pistas útiles, pero aún es necesario obtener evidencia paso a paso a lo largo del proceso de desarrollo de fármacos para determinar cuánto pueden beneficiar esas pistas a los pacientes.

References

  1. Bioengineer.org
  2. Frontiers in Artificial Intelligence
  3. Scienmag