Isomorphic Labs impulsa las operaciones en torno a la IA farmacéutica, y los mercados de capitales se adelantan a los resultados clínicos

La historia de la IA farmacéutica está pasando del laboratorio a las páginas bursátiles. El 25 de junio, MarketWise publicó un artículo titulado “Isomorphic Labs trade”, cuyo eje era seleccionar seis acciones que podrían beneficiarse de la tendencia del descubrimiento de fármacos con IA. Este tipo de narrativa atrae al mercado no solo porque la inteligencia artificial suena como un atajo para la I+D, sino también porque el desarrollo de nuevos fármacos ha sido durante años caro, lento y con una alta tasa de fracaso. Cualquier herramienta que pueda acortar la exploración inicial es fácilmente imaginada por el capital como un punto de inflexión industrial.

Sin embargo, por el título y el resumen, se aprecia que el artículo es ante todo una recopilación de una tesis de inversión, no la publicación de resultados clínicos o científicos. El resumen disponible tampoco enumera los nombres de las seis empresas, candidatos farmacológicos concretos, datos de validación ni condiciones de la operación. Por tanto, interpretarlo como prueba de que la IA farmacéutica ya ha demostrado poder elevar de forma sistemática la tasa de éxito en el desarrollo de medicamentos sigue siendo prematuro. Más exactamente, refleja que el mercado está buscando la “prima de descubrimiento de fármacos con IA” que representa Isomorphic Labs.

La importancia simbólica de Isomorphic Labs reside en que extiende al problema del diseño de fármacos las capacidades de predicción de estructuras proteicas y aprendizaje automático acumuladas durante la etapa de DeepMind: los modelos pueden utilizarse para analizar proteínas relacionadas con enfermedades, predecir cómo se unen las moléculas a sus dianas, generar compuestos candidatos y ayudar a los investigadores a decidir qué moléculas merece la pena sintetizar y probar más a fondo. Si estos trabajos funcionan bien, su valor más directo no es reemplazar a las farmacéuticas, sino reducir el ensayo y error a ciegas en las fases tempranas de I+D.

Pero un fármaco no es una imagen predictiva con una puntuación alta. Una molécula candidata aún debe enfrentarse a problemas de solubilidad, selectividad, toxicidad, metabolismo, estabilidad del proceso de fabricación y ventana de dosificación; una vez en humanos, la heterogeneidad de la enfermedad, los medicamentos concomitantes y los criterios de valoración clínicos vuelven a desmontar los supuestos del modelo. La IA puede proponer mejores puntos de partida, pero no puede saltarse los experimentos húmedos, los estudios en animales, los ensayos clínicos ni la revisión regulatoria.

**Contexto**

El debate reciente sobre la IA farmacéutica ha pasado gradualmente de la capacidad de un modelo individual a los datos y la validación. La creación de grandes bases de datos de reacciones químicas pone de relieve que la capacidad de los modelos para diseñar moléculas sintetizables depende de si los datos de entrenamiento son lo bastante fiables. El papel de los datos humanos y de los biobancos también recuerda a la industria que la gobernanza de los datos en el entorno real de la enfermedad puede ser más escasa que la potencia de cálculo. En otras palabras, la competencia en el descubrimiento de fármacos con IA no está solo en los algoritmos, sino también en las fuentes de datos, la velocidad de retroalimentación experimental y los límites éticos.

No sorprende que los mercados de capitales prefieran condensar tecnologías complejas en etiquetas negociables. El problema es que el horizonte temporal de una tesis de inversión suele medirse en trimestres, mientras que el desarrollo de fármacos avanza en años. Si una empresa se limita a afirmar que usa IA, pero no explica con claridad la selección de dianas, las fuentes de datos, la validación experimental, la fase clínica y la ruta regulatoria, a inversores y lectores les resulta difícil juzgar si realmente está mejorando el proceso de I+D o simplemente tomando prestado un vocabulario de moda.

La señal verdaderamente relevante que deja esta ola del “Isomorphic Labs trade” es que la IA farmacéutica ya no es solo un tema académico o de capital riesgo, sino una narrativa biotecnológica que los mercados públicos intentan valorar. Puede traer un cribado más rápido de moléculas candidatas, y también puede traer una nueva ronda de expectativas excesivas. La respuesta no estará escrita en una lista de acciones, sino que aparecerá gradualmente en resultados experimentales reproducibles, datos clínicos y documentos regulatorios.