← Volver al inicio

La inversión en fármacos con IA se duplica y las grandes farmacéuticas exigen convertir las promesas en pruebas

Desde la experiencia de analizar diez mil compuestos hasta la selección de enfermedades a partir de más de cien millones de registros clínicos, los directivos farmacéuticos delimitan el papel real de la IA: puede acelerar la investigación, pero todavía no sustituye las pruebas de eficacia y seguridad en seres humanos.

By SURL BioNews

Diseñar una molécula aparentemente prometedora y convertirla en un medicamento que puedan utilizar los pacientes siguen siendo etapas separadas por un largo proceso de validación. Ante el rápido aumento de los fondos destinados al descubrimiento de fármacos mediante IA, varios directivos de grandes farmacéuticas han advertido recientemente en público que la velocidad de cálculo puede cambiar el ritmo de la investigación, pero no hace desaparecer la complejidad de la biología humana.

Un artículo publicado por Chosunbiz el 10 de noviembre y un reportaje de The Wall Street Journal republicado por Mint el 4 de noviembre muestran esa brecha entre el entusiasmo inversor y la realidad de la investigación y el desarrollo. Ambos citan datos de McKinsey según los cuales la inversión mundial de capital de riesgo y capital privado en el descubrimiento de fármacos mediante IA alcanzó los 8.400 millones de dólares en 2025, más del doble de los aproximadamente 4.000 millones de dólares de dos años antes. La aceleración de la entrada de fondos también hace más urgente una pregunta para el sector: ¿generar candidatos a fármacos con mayor rapidez puede traducirse en más tratamientos exitosos?

Jeff Leiden, presidente ejecutivo de Vertex, ofreció un ejemplo concreto. Según The Wall Street Journal, unas 50 empresas de IA analizaron un conjunto de datos de Vertex que incluía diez mil compuestos, pero, según Leiden, ninguna produjo a partir de ello un medicamento realmente utilizable. Sin embargo, el reportaje no especificó las tareas de cada empresa, los plazos de evaluación ni los criterios de éxito; esta experiencia empresarial no puede tomarse directamente como la tasa de fracaso de todo el campo, aunque sí revela la distancia entre el análisis de datos y los resultados del desarrollo de fármacos.

Esa distancia también abarca la seguridad. Además de actuar sobre la diana prevista, las moléculas candidatas pueden afectar a otras proteínas o vías fisiológicas y provocar efectos secundarios difíciles de predecir. Pascal Soriot, director ejecutivo de AstraZeneca, y George Yancopoulos, director científico de Regeneron, coinciden en advertir que aún existen muchas incógnitas sobre los mecanismos de las enfermedades y que los avances de los modelos, por sí solos, no permiten concluir que el cáncer se curará o que los plazos de investigación y desarrollo se reducirán drásticamente. Estas declaraciones reflejan el criterio de los responsables de investigación y desarrollo, y no constituyen un nuevo estudio clínico que compare la IA con los métodos tradicionales.

Los usos más claros aparecen al acotar el ámbito de investigación y apoyar la toma de decisiones. Según The Wall Street Journal, un equipo de Bayer utilizó IA para analizar cien millones de registros de pacientes en pocos días y, a partir de marcadores genéticos y antecedentes clínicos, seleccionar cinco enfermedades prioritarias para investigar con su tecnología de edición genética. Este trabajo muestra la eficiencia del procesamiento de grandes volúmenes de datos; sin embargo, la priorización de enfermedades en sí misma aún no demuestra que la tecnología pueda llegar de forma segura a los tejidos diana ni que los pacientes obtengan un beneficio terapéutico.

Contexto

La evaluación del desarrollo de fármacos mediante IA está pasando de preguntarse si un modelo puede seleccionar moléculas a examinar si mejora todo el proceso de investigación y desarrollo. Identificar posibles dianas, ajustar moléculas candidatas y ayudar a encontrar participantes adecuados para los ensayos son aplicaciones prácticas, pero cada una requiere pruebas distintas. Un buen rendimiento predictivo del modelo no puede interpretarse directamente como un aumento de la tasa de éxito clínico, y la experiencia de una sola empresa tampoco basta para extraer conclusiones sobre todas las plataformas.

Por ello, estas declaraciones de directivos farmacéuticos plantean exigencias de validación más concretas ante el creciente entusiasmo inversor: ¿pueden los equipos de investigación demostrar, en condiciones comparables, que la IA reduce los experimentos infructuosos, mejora la calidad de los candidatos a fármacos y mantiene esas ventajas en los ensayos en seres humanos? Los reportajes disponibles aportan experiencias empresariales y ejemplos de aplicación, pero todavía faltan datos comparativos homogéneos. Para pasar de asistente de investigación a una capacidad fiable de desarrollo de fármacos, la clave sigue siendo obtener resultados reproducibles y verificables.

References

  1. Chosunbiz
  2. The Wall Street Journal via Mint