La IA generativa entra en el desarrollo de nuevos fármacos, pero detrás de la promesa de velocidad aún hay que volver al laboratorio

La parte más costosa del desarrollo de nuevos fármacos no suele ser imaginar una molécula, sino demostrar que realmente es útil dentro de la compleja biología humana. La razón por la que la IA generativa ha entrado con rapidez en el centro del debate de la industria farmacéutica es precisamente que promete transformar la exploración temprana, de un largo proceso de ensayo y error, en una búsqueda computacional más rápida y más amplia; pero esa promesa también es la que más fácilmente se simplifica en exceso.

Un informe de mercado publicado por Yahoo Finance UK señaló que las oportunidades comerciales de la IA generativa aplicada al descubrimiento de fármacos provienen principalmente de tres direcciones: integrar la IA en los procesos existentes de desarrollo de fármacos, acelerar la búsqueda de candidatos a fármaco y ayudar a optimizar productos biológicos como anticuerpos y proteínas. Estas aplicaciones abarcan etapas tempranas de decisión, desde la identificación de dianas, el diseño molecular y el cribado virtual hasta la predicción de toxicidad, metabolismo y farmacocinética.

En los fármacos de molécula pequeña, los modelos generativos pueden utilizarse para diseñar nuevas estructuras que podrían unirse a bolsillos específicos de proteínas, y luego descartar candidatos inadecuados mediante simulaciones informáticas y pruebas experimentales. En el caso de los productos biológicos, se espera con frecuencia que la IA se utilice para el diseño de secuencias proteicas, el ajuste de la afinidad de anticuerpos o la reducción del riesgo de inmunogenicidad. Ninguna de estas tareas es una simple generación de texto, sino la conversión de la relación entre el espacio químico y la función biológica en un problema de búsqueda computable.

Sin embargo, esa fuente se aproxima más a un informe de tendencias de mercado y no aporta modelos específicos, conjuntos de datos, resultados de ensayos clínicos ni datos de validación independiente. Por tanto, la “aceleración” y la “optimización” mencionadas en el texto deben entenderse como lógica de inversión industrial e hipótesis de I+D, no como prueba de que una terapia concreta haya demostrado acortar el tiempo de desarrollo clínico. En el caso de los fármacos, las moléculas producidas por los modelos aún deben someterse, capa por capa, a evaluaciones de viabilidad de síntesis, actividad in vitro, toxicología en animales y ensayos en humanos.

Las limitaciones clave de la IA generativa en este campo también suelen estar ocultas en los propios datos. Los datos de desarrollo de fármacos a menudo están dispersos dentro de las empresas, presentan formatos inconsistentes y contienen muchos menos casos de éxito que de fracaso; si los datos de entrenamiento se inclinan hacia andamiajes químicos conocidos o áreas de enfermedad específicas, el modelo puede parecer innovador cuando en realidad solo está reordenando conocimiento existente. Más complicado aún es que los sistemas biológicos están llenos de contexto, y una misma molécula puede tener efectos completamente distintos en diferentes células, tejidos o poblaciones de pacientes.

Las cuestiones regulatorias también irán saliendo gradualmente a la superficie. Si la IA participa en el diseño de candidatos a fármaco, las empresas no necesariamente tendrán que demostrar a los reguladores que el modelo en sí es “inteligente”, pero sí deberán explicar con claridad cómo influye el modelo en la toma de decisiones, cómo se controla la calidad de los datos y si los experimentos posteriores son suficientes para respaldar la seguridad y la eficacia. Cuando los resultados de la IA se convierten en parte del proceso de I+D, la gestión de calidad, la trazabilidad y el registro de los casos fallidos serán más importantes que afirmar que se ha utilizado el modelo más reciente.

El significado práctico de esta ola de entusiasmo quizá no esté en que la IA sustituya a los científicos farmacéuticos, sino en que cambie el orden de selección en la I+D temprana: qué hipótesis se prueban primero, qué moléculas se sintetizan primero y qué programas se abandonan antes. Si puede hacer que los recursos se concentren con mayor rapidez en candidatos a fármaco con fundamento biológico, su valor será considerable; si solo traslada la incertidumbre del laboratorio a la interfaz algorítmica, la industria farmacéutica seguirá pagando en los ensayos clínicos el mismo coste elevado.