Otra colaboración en descubrimiento de fármacos con IA: el vacío clave que dejan SK Biopharm e Insilico

Los fracasos más costosos en el desarrollo de fármacos a menudo no ocurren dentro de los modelos computacionales, sino años después, cuando se descubre que el objetivo no era suficientemente fiable, que la molécula no llegaba al tejido correcto o que la enfermedad humana simplemente no avanzaba según la hipótesis experimental. Lo verdaderamente digno de analizar en la colaboración entre SK Biopharm e Insilico Medicine para desarrollar fármacos con IA no es el conocido eslogan de si la IA puede diseñar moléculas, sino cómo las farmacéuticas están volviendo a dividir la incertidumbre temprana en etapas negociables y verificables.

Según un resumen informativo del medio surcoreano MK Business News, SK Biopharm ya inició una colaboración de descubrimiento de fármacos con IA con Insilico; la información pública disponible por ahora es muy limitada y aún no aclara el área terapéutica, el número de objetivos, el pago inicial, las condiciones de los hitos, la propiedad de los candidatos farmacológicos ni el reparto de funciones entre ambas partes en el desarrollo clínico. Estos vacíos dificultan que el mercado determine si se trata de una prueba de plataforma, un programa de descubrimiento conjunto o una operación más cercana a una opción de licencia.

Si la colaboración sigue el modelo común en las transacciones recientes de fármacos con IA, Insilico podría encargarse de la identificación inicial de objetivos, el análisis de redes de enfermedad y el diseño de moléculas pequeñas, mientras que SK Biopharm aportaría su experiencia en desarrollo de fármacos de neurociencia, selección de enfermedades y posterior criterio clínico. Sin embargo, hasta que no haya un anuncio completo, esto solo puede considerarse una inferencia razonable; la cuestión biomédica más importante sigue siendo si los objetivos propuestos por el modelo cuentan con suficiente respaldo de datos humanos, y si las moléculas candidatas pueden superar las pruebas de farmacocinética, toxicidad y fabricabilidad.

El uso real de la IA en el descubrimiento de fármacos no suele ser “inventar nuevos medicamentos” directamente, sino comprimir varios pasos tempranos: ordenar posibles objetivos a partir de datos multiómicos, literatura y rutas de enfermedad; luego generar o seleccionar moléculas capaces de interactuar con esos objetivos; y después corregir el modelo con retroalimentación experimental. Si este proceso funciona bien, puede permitir que los equipos encuentren con mayor rapidez hipótesis comprobables; si funciona mal, también puede limitarse a producir más rápido grandes cantidades de moléculas aparentemente razonables, pero sin respaldo suficiente en la biología de la enfermedad.

Contexto

SK Biopharm se ha destacado por el desarrollo de fármacos para el sistema nervioso central, lo que hace que cualquier colaboración con una empresa de plataformas de IA evoque de forma natural la investigación y el desarrollo en enfermedades neurológicas. Las áreas de enfermedad en la intersección entre neurología e inmunología son especialmente atractivas, porque existe una alta necesidad médica no satisfecha y mecanismos complejos, y también porque suele haber diferencias entre los modelos animales y el curso de la enfermedad en humanos; si la IA quiere demostrar valor en este ámbito, no puede limitarse a entregar estructuras químicas novedosas, sino que también debe aportar una definición de la enfermedad que pueda recibir apoyo gradual de datos experimentales y clínicos.

Los reguladores tampoco reducirán el listón porque una molécula provenga de la IA. Antes de que un candidato farmacológico entre en la clínica, aún debe completar evaluaciones de farmacología, toxicología, dosis, seguridad y control de calidad; una vez que entra en ensayos en humanos, también debe demostrar que el diseño de los criterios de valoración, la estratificación de pacientes y la gestión del riesgo son suficientes para responder la pregunta médica. Los algoritmos pueden acelerar la propuesta de candidatos, pero no pueden sustituir esas pruebas.

Por lo tanto, esta noticia por ahora se parece más a un corte de una transformación estructural de la industria: las grandes farmacéuticas o las especializadas ya no ven la IA solo como una herramienta interna, sino que incorporan la capacidad computacional de las empresas de plataforma al extremo inicial de sus carteras de I+D. La importancia de la colaboración no dependerá al final del titular de la transacción, sino de si ambas partes pueden llevar las hipótesis generadas por IA hasta resultados experimentales reproducibles, una biología humana creíble y respuestas claras en la clínica.