Una frase de Doudna, «buena suerte», pincha la curva impecable de la IA en el desarrollo de fármacos

La inteligencia artificial tiene una presencia cada vez mayor en la investigación y el desarrollo de fármacos, como si bastara con que el modelo fuera lo suficientemente grande para que la enfermedad empezara a ceder en la pantalla. El resumen del reportaje de Modern Ghana titulado «‘Good luck.’ Jennifer Doudna on AI Drug Discovery Promises» muestra que Jennifer Doudna, codesarrolladora de CRISPR y ganadora del Premio Nobel de Química, adopta una postura claramente reservada ante las promesas de la IA en el desarrollo de fármacos; su breve «buena suerte» resulta punzante precisamente porque viene de una científica que conoce bien cómo la biología molecular se resiste a las narrativas simplificadoras.

Los usos concretos de la IA en el desarrollo de fármacos no son vagos. Los modelos pueden aprender de estructuras proteicas, datos genómicos, bases de datos de compuestos y resultados experimentales para proponer moléculas pequeñas, anticuerpos o diseños de proteínas que podrían unirse a una diana; también pueden ayudar a priorizar candidatos a fármaco, predecir indicios de toxicidad o reducir el rango de cribado para los laboratorios. Estas capacidades ya han acelerado la exploración temprana, especialmente en contextos en los que la diana es conocida, los datos estructurales son abundantes y la validación rápida mediante experimentos húmedos es posible.

Pero la advertencia de Doudna apunta a otro nivel: un fármaco no es una imagen molecular atractiva ni una predicción de modelo con una puntuación alta. Una molécula candidata debe demostrar en células reales, modelos animales y seres humanos que puede llegar al lugar correcto, producir un efecto suficiente, evitar toxicidades inaceptables y fabricarse de manera estable. La propia biología de la enfermedad también suele ser más desordenada que los conjuntos de datos: una misma diana puede mostrar efectos completamente distintos en diferentes pacientes, tejidos y etapas de la enfermedad.

La información pública que ofrece actualmente esta fuente es bastante limitada; no se han visto reportajes sobre el mismo hecho que puedan corroborarse entre sí, ni se explica con claridad el acto completo, el contexto o las compañías y tecnologías concretas sobre las que Doudna hizo sus comentarios. Por tanto, una lectura más prudente no consiste en interpretar esa frase como una negación de la IA, sino como una corrección del discurso sectorial: la IA puede acelerar la generación de hipótesis, pero no puede sustituir la validación biológica, y mucho menos eliminar por adelantado el riesgo clínico.

**Contexto de fondo**

Últimamente, las empresas de biotecnología con IA suelen describir la capacidad de sus plataformas como «diseñar es descubrir», ya sea en anticuerpos, proteínas o moléculas pequeñas. Algunos sistemas ya han mostrado tasas de acierto en experimentos húmedos, demostrando que los modelos ya no son solo herramientas de organización bibliográfica; sin embargo, acertar es apenas el primer umbral. La afinidad, la selectividad, la inmunogenicidad, la farmacocinética, la fabricabilidad y los criterios de valoración clínicos seguirán eliminando gradualmente la mayoría de los diseños que parecen inteligentes.

Las cuestiones regulatorias también devuelven la IA en el desarrollo de fármacos a la realidad. Lo que las autoridades competentes necesitan realmente son datos trazables, experimentos reproducibles, una gestión clara del riesgo y una cadena de evidencia que explique por qué un determinado candidato merece entrar en ensayos en seres humanos. Si la IA puede hacer que la búsqueda temprana sea más orientada, será un avance importante; pero si se empaqueta como un atajo para saltarse la incertidumbre biológica, aquel sereno «buena suerte» de Doudna probablemente sea el comentario más conciso.