Biotecnología · global
Los agentes de IA en el desarrollo de fármacos aún están lejos del juicio independiente
Un nuevo benchmark para decisiones de farmacología preclínica muestra que los agentes de IA pueden leer datos y ejecutar flujos de trabajo, pero todavía tienen dificultades para emitir de forma estable juicios fiables para el desarrollo de fármacos.
La entrada de la IA en el desarrollo de fármacos promete algo más atractivo que acelerar la búsqueda de moléculas: la posibilidad de ayudar a los equipos de investigación a tomar decisiones entre datos experimentales complejos, como si un compuesto realmente alcanza su diana, si la señal de eficacia basta para avanzar o si aparecen alertas tempranas de seguridad. Un nuevo preprint en arXiv advierte que esta capacidad aún no puede medirse solo por la fluidez de las respuestas.
El estudio, presentado por el equipo de LatchBio, introduce TxBench-PP, un benchmark de agentes de IA para farmacología preclínica de moléculas pequeñas. Los investigadores diseñaron 100 tareas verificables en las que los agentes revisan archivos, interpretan datos experimentales y producen respuestas estructuradas en un entorno parecido al trabajo real de I+D, que luego se califican mediante reglas deterministas.
TxBench-PP no se centra en preguntas y respuestas de conocimiento de manual, sino en razonamiento con datos más cercano al que aparece en los programas de desarrollo de fármacos. Las tareas abarcan interpretación de mecanismos de acción y farmacodinámica, unión entre compuestos y dianas, validación causal de dianas, druggability y seguridad, así como eficacia traslacional. En otras palabras, mide si un agente puede recuperar conclusiones razonables a partir de fragmentos de flujos de trabajo, no si puede recitar respuestas ya existentes en la literatura.
Los resultados son bastante contenidos. El estudio analizó un total de 4.800 trayectorias de ejecución en 16 combinaciones de modelos y marcos de prueba; la combinación con mejor desempeño, Claude Opus 4.8 / Pi, alcanzó una tasa de aprobación del 59,3% en los intentos de endpoint, con un intervalo de confianza del 51,1% al 67,6%. Le siguió GPT-5.5 / Pi, con una tasa de aprobación del 55,3%. Incluso la puntuación más alta queda por debajo de un nivel que permita entregar con tranquilidad decisiones críticas de I+D.
La importancia práctica de esta brecha es especialmente clara en farmacología preclínica. El desarrollo temprano de fármacos suele exigir tomar decisiones con datos incompletos, ruidosos e interrelacionados; juzgar mal la participación de una diana, sobreinterpretar la eficacia o pasar por alto una señal de seguridad puede desviar recursos en la dirección equivocada. Si los agentes de IA van a entrar en este nivel de trabajo, la cuestión ya no es solo si “pueden responder”, sino si son estables, trazables y auditables en distintos formatos de datos y estructuras de tareas.
Sin embargo, este estudio sigue siendo por ahora un preprint y aún no ha sido sometido a revisión por pares; el resumen público tampoco ofrece todo el contexto sobre los detalles de las tareas, la distribución de las fuentes de datos y los tipos de fallos. Por ello, estas cifras son más adecuadas como una alerta temprana sobre riesgos de despliegue que como un veredicto definitivo sobre la capacidad de todos los sistemas de IA biomédica.
Una conclusión más pragmática quizá sea esta: los agentes de IA pueden ser útiles en el descubrimiento de fármacos, pero a corto plazo encajan mejor en etapas acotadas y verificables del trabajo, como la organización de datos, comparaciones preliminares, generación de hipótesis o análisis asistido. Cuando la tarea entra en decisiones preclínicas que pueden influir en si un candidato a fármaco sigue adelante o se descarta, los benchmarks, la revisión humana, el análisis de errores y los registros de cumplimiento seguirán siendo más importantes que videos de demostración atractivos.