El diseño molecular con IA llega al laboratorio: GenScript y Tamarind Bio integran el proceso de validación

La IA puede generar rápidamente una gran cantidad de diseños moleculares, pero no puede garantizar que estos diseños puedan producirse, mantener su estabilidad o desempeñar la función prevista en sistemas biológicos reales. GenScript y Tamarind Bio anunciaron la creación de un flujo de trabajo conectado con el que pretenden acortar la distancia entre las secuencias generadas por computadora y la validación experimental, y abordar el cuello de botella de laboratorio cada vez más evidente en el desarrollo de fármacos mediante IA.

Según los anuncios de ambas empresas, tras completar el diseño molecular en la plataforma de Tamarind Bio, los investigadores pueden enviar las secuencias generadas por IA a GenScript para proceder con su síntesis, expresión y pruebas. Las dos empresas esperan reducir las transferencias manuales entre distintas plataformas, proveedores de servicios y formatos de datos, de modo que los resultados del diseño se conviertan con mayor rapidez en datos experimentales utilizables para la siguiente ronda de modelos o para tomar decisiones de investigación y desarrollo.

Tamarind Bio señala que su plataforma sin código integra más de 300 modelos de IA molecular y biología computacional, que abarcan tareas como la predicción de estructuras de proteínas, el diseño de moléculas de novo y la simulación. Este tipo de herramientas reduce las barreras técnicas para utilizar múltiples modelos computacionales, pero las secuencias candidatas generadas por los modelos aún deben someterse a experimentación para determinar si merece la pena invertir en su posterior optimización.

GenScript, por su parte, ofrece servicios experimentales de laboratorio que abarcan desde la síntesis de secuencias hasta la expresión y las pruebas de proteínas. La empresa afirma que, en algunos proyectos, pueden obtenerse datos «utilizables por los modelos» en tan solo cuatro días; no obstante, el anuncio no especifica los tipos de moléculas, las pruebas, el número de muestras ni el método de cómputo del plazo a los que se aplican esos cuatro días, y tampoco proporciona parámetros de referencia que permitan compararlos con los procesos de contratación de servicios existentes.

El valor práctico de esta integración no reside únicamente en acelerar la primera validación. Si los resultados experimentales pueden regresar a la plataforma computacional en un formato uniforme, los equipos de investigación podrán utilizarlos para descartar los diseños difíciles de producir o con un desempeño deficiente y, posteriormente, iniciar una nueva ronda de generación y selección. En campos que requieren ciclos repetidos de diseño y pruebas —como las proteínas terapéuticas, las terapias celulares y génicas y la biotecnología industrial—, acortar cada ciclo puede ser más significativo que limitarse a aumentar el número de candidatos.

Sin embargo, por el momento la colaboración sigue siendo una conexión entre una plataforma y servicios de investigación, y no constituye un resultado relativo a la eficacia, la toxicología o los ensayos clínicos de un candidato farmacológico específico. Las empresas no han publicado precios, capacidad del servicio, tasas de éxito de las pruebas, normas de calidad de los datos ni casos reales de clientes; tampoco existen fuentes independientes sobre el mismo acontecimiento que permitan verificar la información. Por lo tanto, la afirmación de que el plazo puede ser de tan solo cuatro días debe considerarse una capacidad de servicio declarada por las empresas, y no un plazo general validado externamente.

Que el diseño molecular mediante IA pueda aumentar la productividad de la investigación y el desarrollo dependerá, en última instancia, de que los resultados experimentales sean fiables y reproducibles, y de que mejoren realmente la selección y el descarte de candidatos. Esta colaboración propone una vía más directa del diseño a la validación; su impacto deberá esperar a que proyectos reales demuestren que el flujo de trabajo integrado no solo ahorra tiempo en las transferencias, sino que también mejora la tasa de identificación de candidatos viables.