En medio del auge de las colaboraciones de IA para descubrir fármacos, los vacíos clave que dejan MitoCareX y Boltz

En un contexto de altos costos y elevadas tasas de fracaso en el desarrollo de fármacos, el atractivo del descubrimiento de fármacos con IA nunca ha sido solo la velocidad. Promete organizar enormes combinaciones moleculares, estructuras proteicas y mecanismos de enfermedad en hipótesis más accionables; pero cada anuncio de colaboración también recuerda al mismo tiempo que las moléculas candidatas propuestas por algoritmos todavía deben atravesar el largo camino de los experimentos húmedos, la toxicología, los modelos animales y los ensayos clínicos.

Según informó Investing.com Australia, MitoCareX ha iniciado una colaboración de descubrimiento de fármacos con IA con Boltz. La información pública muestra que esta colaboración incorpora las capacidades relacionadas con IA de Boltz al proceso de desarrollo de nuevos fármacos, pero el resumen del informe no proporcionó detalles más específicos sobre áreas de enfermedad, dianas moleculares, fuentes de datos, monto de la colaboración o calendario de desarrollo. Y dado que por ahora falta confirmación cruzada de fuentes independientes sobre el mismo evento, esta noticia conviene entenderla más como el punto de partida de una colaboración de I+D que como un hito en el que la eficacia de un fármaco ya haya quedado demostrada.

Desde la perspectiva de los usos biomédicos, este tipo de colaboración suele intentar reducir el espacio de búsqueda en las etapas tempranas de I+D: por ejemplo, predecir interacciones entre proteínas y moléculas pequeñas, cribar candidatos posiblemente activos, evaluar sitios de unión o ayudar a diseñar experimentos posteriores. Si la tecnología de Boltz se utiliza para tareas similares, lo verdaderamente importante no es cuántas moléculas puede generar el modelo, sino si esas moléculas pueden sintetizarse, si pueden mostrar efectos consistentes en pruebas celulares o bioquímicas, y si pueden evitar problemas evidentes de toxicidad y farmacocinética.

Este es también el punto en el que la IA farmacéutica se malinterpreta con mayor facilidad. Los modelos pueden acelerar la generación de hipótesis, pero no pueden sustituir la validación de los sistemas biológicos; pueden encontrar patrones en el espacio de datos, pero no necesariamente comprenden toda la complejidad de la enfermedad en el cuerpo humano. Si los datos de entrenamiento están sesgados hacia determinadas familias de proteínas, andamiajes químicos conocidos o bases de datos públicas, las moléculas candidatas pueden parecer novedosas, pero en realidad seguir guiadas por los límites de los datos existentes. Si la calidad de los datos es insuficiente, el modelo incluso podría reforzar señales erróneas.

Por lo tanto, la información de mayor significado científico en los próximos pasos de la colaboración entre MitoCareX y Boltz será la diana y el nivel de validación. Solo si las empresas pueden divulgar cómo se seleccionan las moléculas candidatas, qué sistemas experimentales se usan para validarlas, si existen pruebas ciegas o comparaciones con conjuntos de datos externos, y cómo se gestionan los resultados negativos, podrá el exterior juzgar si esta colaboración consiste simplemente en introducir herramientas de IA o si realmente mejora la calidad de las decisiones en la I+D temprana.

El plano regulatorio tampoco cambiará automáticamente por la participación de la IA. Tanto si una molécula es diseñada por químicos humanos como si es propuesta con apoyo de un modelo, antes de entrar en ensayos en humanos todavía debe cumplir requisitos de seguridad, proceso de fabricación, control de calidad y evidencia preclínica. Para los reguladores, el papel del modelo de IA quizá pase a formar parte del contexto de revisión, pero al final seguirá siendo necesario volver a registros experimentales trazables y resultados biológicos reproducibles.

**Contexto**

Últimamente, el foco del descubrimiento de fármacos con IA se ha desplazado gradualmente de “si puede generar moléculas candidatas” a “si las moléculas candidatas son sintetizables, verificables y desarrollables en etapas posteriores”. Grandes bases de datos de reacciones, modelos de predicción estructural y herramientas de diseño generativo están completando distintos eslabones de la cadena de I+D; si la colaboración entre MitoCareX y Boltz quiere consolidarse dentro de esta tendencia, deberá explicar con avances experimentales transparentes qué tramo del camino ha acortado exactamente la IA, en lugar de quedarse solo en el nombre de la colaboración.