Biotecnología · global
La búsqueda de fármacos con IA entra en la rutina de las farmacéuticas; la verdadera prueba empieza después del banco de laboratorio
Desde la identificación de dianas hasta el diseño molecular, la IA está acelerando las primeras fases del desarrollo de fármacos; pero la calidad de los datos, la validación en experimentos húmedos y la revisión clínica siguen determinando si una hipótesis algorítmica puede convertirse en una opción terapéutica para los pacientes.
El aspecto más costoso del desarrollo de fármacos no suele ser proponer una idea elegante, sino demostrar que realmente es eficaz y segura en el complejo organismo humano. AI Magazine, a partir de la perspectiva de Capgemini, ha resumido cómo la IA está cambiando el proceso de descubrimiento de fármacos en la industria farmacéutica, destacando una realidad sectorial que está tomando forma: la inteligencia artificial ya no es solo un lema con el que las farmacéuticas muestran innovación, sino que se está integrando gradualmente en los flujos de trabajo de la investigación y el desarrollo tempranos.
En el descubrimiento de nuevos fármacos, los usos más directos de la IA incluyen la identificación de dianas de enfermedad, la predicción de estructuras e interacciones de proteínas, la generación de moléculas candidatas y el cribado preliminar de la actividad, toxicidad y características farmacocinéticas de los fármacos. Estas tareas antes dependían de grandes volúmenes de literatura científica, comparaciones con bases de datos y experimentos repetidos; ahora, mediante modelos de aprendizaje automático, pueden generar hipótesis candidatas en menos tiempo, lo que permite a los equipos de investigación concentrar recursos limitados en direcciones con mayor potencial.
La perspectiva de Capgemini relacionada con las ciencias de la vida señala que la industria farmacéutica ya era, de por sí, un sector altamente intensivo en datos, y que el uso de IA para dianas y diseño molecular tampoco surgió solo en los últimos años. Lo que realmente ha cambiado la velocidad y el alcance de lo imaginable es la madurez de la IA generativa, las herramientas de predicción de estructuras proteicas y las capacidades de análisis de datos multimodales, que permiten a los modelos procesar datos biológicos más complejos e incorporar pistas químicas, genómicas, clínicas y bibliográficas en un mismo marco de evaluación.
Sin embargo, el valor de la búsqueda de fármacos con IA no reside en sustituir los experimentos, sino en plantear preguntas que merezcan más la pena ser verificadas. Un modelo puede predecir que una molécula podría unirse a una diana, y también puede sugerir modificaciones estructurales para mejorar la selectividad; pero estas inferencias aún deben confirmarse paso a paso mediante células, animales, procesos de fabricación, toxicología y ensayos en humanos. Si los datos tienen sesgos, el modelo también podría amplificar los puntos ciegos del conocimiento existente, en lugar de descubrir mecanismos verdaderamente nuevos.
### Contexto de fondo
El reciente aumento de colaboraciones entre farmacéuticas y empresas de nuevos fármacos basadas en IA muestra que las grandes compañías farmacéuticas están dispuestas a incorporar algoritmos en decisiones de I+D más centrales. Este tipo de colaboraciones suele prometer acortar el tiempo de exploración temprana, mejorar la calidad de las moléculas candidatas e incluso reducir los costes del fracaso; pero, hasta ahora, los fármacos diseñados por IA o desarrollados con una participación profunda de la IA siguen teniendo que completar las vías regulatorias tradicionales, y aún no existe evidencia a largo plazo suficiente para concluir si pueden aumentar la tasa de éxito clínico.
Las limitaciones en el ámbito clínico son especialmente cruciales. Incluso si la IA permite que las moléculas candidatas entren más rápido en desarrollo, reclutar pacientes, diseñar ensayos, gestionar señales de seguridad e interpretar diferencias de eficacia siguen siendo tareas largas y costosas. Los reguladores también exigirán a las empresas que expliquen cómo se ha validado el modelo, si las fuentes de datos son fiables y qué papel desempeñan los resultados de la IA en las decisiones de I+D.
Dado que las fuentes públicas disponibles actualmente ofrecen detalles limitados sobre este contenido de Capgemini, todavía no es posible determinar si presenta nuevos datos empíricos, casos de fármacos específicos o resultados clínicos. Una interpretación más prudente es que la IA está llevando las primeras fases del desarrollo de nuevos fármacos de un modelo intensivo en experiencia a otro intensivo en datos y modelos; pero ante la biología, la velocidad es solo el punto de partida, y los verdaderos resultados aún deben responderse mediante experimentos reproducibles y evidencia clínica susceptible de revisión.