Lejos del ruido del laboratorio, el capital apuesta primero por la IA farmacéutica

La historia de la IA farmacéutica nunca ha resultado atractiva solo por los algoritmos en sí, sino por su promesa de reescribir una de las etapas más caras y prolongadas del desarrollo de nuevos medicamentos: encontrar antes, dentro de enormes espacios químicos y biológicos, moléculas, dianas o poblaciones clínicas que podrían ser eficaces. El 22 de junio, Insider Monkey tomó como pista las posiciones de fondos de cobertura y recopiló varias acciones de descubrimiento de fármacos con IA que han recibido más compras de capital institucional, lo que muestra que este tema, pese a haber atravesado altibajos de valoración, no ha desaparecido del radar de los mercados de capitales.

Este tipo de recuento de inversiones no es, en esencia, evidencia médica, sino un termómetro del mercado. Que los fondos de cobertura compren acciones de determinadas compañías puede significar que ven oportunidades en la tecnología de plataforma, el avance de las carteras de desarrollo, los ingresos por colaboraciones o la corrección del precio de las acciones; pero no puede demostrar directamente que los sistemas de IA relacionados ya hayan elevado la tasa de éxito clínico, ni avalar la seguridad y eficacia de ningún fármaco candidato. En especial, dado que el resumen público actual no proporciona la lista completa de compañías seleccionadas, la magnitud de los cambios en las posiciones ni los datos clínicos de cada empresa, conviene mantener cierta distancia al interpretarlo.

El trabajo que abarca el descubrimiento de fármacos con IA es, en realidad, bastante concreto. Los modelos pueden utilizarse para predecir estructuras proteicas y sitios de unión, diseñar moléculas pequeñas o anticuerpos, cribar nuevas indicaciones para medicamentos existentes, o buscar pacientes más adecuados para ensayos a partir de imágenes patológicas, datos genómicos e historias clínicas electrónicas. Su valor no está en reemplazar la biología, sino en acotar el campo de búsqueda inicial, de modo que los experimentos húmedos, los estudios en animales y los ensayos clínicos puedan concentrar recursos en candidatos con mayores probabilidades.

Las dificultades también aparecen precisamente en ese mismo punto. Un medicamento no se convierte en fármaco solo porque “parezca capaz de unirse”; las moléculas candidatas aún deben superar capas sucesivas de pruebas de actividad, selectividad, toxicidad, estabilidad metabólica, fabricabilidad y formulación. Muchas plataformas de IA pueden mostrar en etapas tempranas tasas de acierto o capacidades generativas, pero lo que los reguladores y los médicos clínicos necesitan de verdad son datos experimentales reproducibles, límites claros del modelo y el balance riesgo-beneficio de los fármacos candidatos en ensayos en humanos.

### Contexto

En los últimos tiempos, los puntos de encuentro entre la IA y la biomedicina se han expandido rápidamente: desde el diseño de anticuerpos y agentes de investigación traslacional hasta la incorporación de la IA por grandes farmacéuticas en sus planes de ADC y nuevas líneas de productos. Los mercados de capitales también han empezado a comparar algoritmos, activos de datos y capacidades de desarrollo clínico dentro de una misma tabla de valoración. Esto hace que las compañías de IA farmacéutica ya no sean solo valores con concepto tecnológico, sino que también se las examine para ver si, como las biotecnológicas tradicionales, pueden entregar carteras de desarrollo claras, hitos e ingresos por colaboraciones.

Sin embargo, sigue existiendo un desfase temporal entre el entusiasmo inversor y el progreso médico. Si los ingresos principales de una compañía proceden de licencias de plataforma o colaboraciones de investigación, el precio de sus acciones puede reflejar primero las expectativas de colaboración; si ya tiene fármacos candidatos propios en fase clínica, el mercado pasará a examinar el diseño de los ensayos, la selección de criterios de valoración y la calidad de los datos. La IA desempeña ahí el papel de método de I+D, no el de resultado clínico en sí mismo.

Por tanto, esta ronda de compras adicionales por parte de fondos de cobertura se parece más a una apuesta por una “posible revalorización de la cadena de herramientas de I+D” que a una declaración de victoria ya consumada de la IA farmacéutica. Lo que realmente decidirá si este campo puede atravesar los ciclos del mercado seguirá siendo el mismo conjunto de viejas preguntas: si las moléculas propuestas por los modelos pueden sostenerse en el laboratorio, si los ensayos clínicos pueden demostrar beneficios para los pacientes, y si la revisión regulatoria puede comprender y aceptar los datos y métodos subyacentes.