Biotecnología · global
La carrera de nuevos fármacos con IA se intensifica, pero el verdadero campo de batalla no está en los lemas sobre algoritmos
A medida que el entusiasmo por la IA generativa empieza a retroceder, la industria de I+D farmacéutica comienza a plantear preguntas más duras: si los modelos pueden proponer moléculas candidatas que sean sintetizables, verificables y capaces de entrar en decisiones clínicas.
La carrera por el desarrollo de nuevos fármacos con IA se está intensificando, pero el foco no necesariamente está en quién tiene el modelo más llamativo. Para las compañías farmacéuticas y los inversionistas, la verdadera línea divisoria se está desplazando hacia una pregunta más simple y más difícil: si las moléculas propuestas por los algoritmos pueden sintetizarse en el laboratorio, sostenerse en modelos animales y celulares, y finalmente entrar en ensayos en seres humanos y revisión regulatoria.
Un informe publicado por MedCity News el 30 de junio señaló que la competencia en el campo del descubrimiento de fármacos con IA se está intensificando de una manera distinta a la que suele imaginarse. Dado que el resumen público actual no enumera compañías concretas, montos de transacciones, fármacos candidatos ni datos clínicos, esta información se entiende mejor como una observación de tendencia industrial, no como un avance médico clave ya logrado por un fármaco o una plataforma específicos.
En los entornos biomédicos, el uso de la IA no consiste solo en “encontrar fármacos”. Puede emplearse para seleccionar dianas, predecir la unión entre proteínas y moléculas pequeñas, diseñar anticuerpos o fármacos proteicos, optimizar características ADMET, e incluso volver a analizar datos existentes para buscar pistas terapéuticas adecuadas para grupos específicos de pacientes. Cada etapa requiere tipos de datos distintos y enfrenta costos de error diferentes; una puntuación alta que el modelo muestra en pantalla no equivale directamente a un medicamento utilizable.
Esta es también la razón por la que las compañías de nuevos fármacos con IA han ido cambiando su narrativa en los últimos años. Al principio, el mercado se sentía fácilmente atraído por promesas como “acortar los años de I+D” o “reducir costos”; hoy se examina más si las moléculas candidatas realmente entran en validación experimental húmeda, si pueden generar señales farmacológicas reproducibles y, al colaborar con farmacéuticas tradicionales, cómo se organizan los datos, las patentes y los derechos de decisión. Si la carrera se vuelve más intensa, eso no necesariamente significa que más compañías estén haciendo promesas más grandes, sino que más plataformas pueden verse obligadas a entregar evidencia más cercana al terreno real del desarrollo farmacéutico.
Las limitaciones son igualmente claras. Los modelos de IA suelen estar restringidos por sesgos en los datos de entrenamiento, la dificultad de validar externamente datos no públicos, la brecha entre los modelos de enfermedad y la biología humana, y las barreras posteriores de fabricación farmacéutica y seguridad toxicológica. Incluso si la IA puede proponer estructuras novedosas, los estudios preclínicos, los ensayos en seres humanos y la revisión regulatoria seguirán centrados en seguridad y eficacia verificables, no en la arquitectura del modelo como pase de entrada.
Contexto de fondo
En fechas recientes han aparecido con frecuencia noticias sobre IA e I+D de nuevos fármacos, desde competencias de algoritmos y diseño de nanocuerpos hasta la intervención temprana en revisiones de fabricación de medicamentos, lo que muestra que la industria está pasando de la “demostración de modelos” a la “integración en los procesos de I+D”. Estos desarrollos son distintos entre sí: algunos permanecen todavía en etapas de colaboración o competencia, mientras que otros empiezan a tocar cuestiones de ensayos clínicos y cadena de suministro. Vistos en conjunto, el valor de la IA no será determinado solo por un único modelo, sino que será moldeado conjuntamente por la calidad de los datos, la validación experimental, la viabilidad de fabricación y la aceptación regulatoria.
Por lo tanto, la intensificación de la carrera de nuevos fármacos con IA no debe interpretarse como señal de que la I+D farmacéutica esté a punto de automatizarse por completo. Más precisamente, se trata de una carrera de fondo que lleva la capacidad computacional hacia las profundidades de la incertidumbre biológica. Las compañías que corran más rápido no necesariamente serán las que mejor sepan promocionar la IA, sino aquellas capaces de convertir los resultados del modelo en fármacos candidatos verificables y de seguir corrigiendo el rumbo dentro de una cadena de I+D con una tasa de fracaso extremadamente alta.