Mankind y Denovo colaboran: la I+D de nuevos fármacos con IA entra en una nueva etapa de revisión conjunta entre humanos y máquinas

Los fracasos más costosos en el desarrollo de nuevos fármacos a menudo no ocurren en la última milla clínica, sino mucho antes: una molécula que parece prometedora solo revela, después de la síntesis, las pruebas y las correcciones repetidas, una actividad insuficiente, dudas de toxicidad o una mala desarrollabilidad. La nueva colaboración entre Mankind Pharma y Denovo Sciences apunta precisamente a ese proceso largo e incierto de descubrimiento temprano de fármacos.

Según informes de ETPharma y The Economic Times, la farmacéutica india Mankind Pharma ha firmado una colaboración con Denovo Sciences para poner en marcha un programa de descubrimiento de fármacos impulsado por IA. El objetivo descrito públicamente por ambas partes es acortar los tiempos de I+D temprana, mejorar la calidad de los compuestos líderes y filtrar en una etapa más temprana las moléculas candidatas con mayor probabilidad de avanzar.

La división de funciones en esta colaboración es bastante clara: Mankind aportará infraestructura de I+D, así como capacidades de validación experimental y clínica; Denovo incorporará su plataforma de IA personalizada para generar y evaluar moléculas candidatas. En otras palabras, la IA no se utiliza aquí simplemente para producir una serie de estructuras químicas atractivas, sino que se integra en un ciclo de I+D que debe ser revisado, corregido y validado de nuevo por científicos.

Los informes señalan que ambas partes adoptarán un modelo “human-in-the-loop”, en el que la IA propone y puntúa diseños moleculares, y luego los investigadores emiten juicios basados en la plausibilidad biológica, la sintetizabilidad y los resultados de validación posteriores. Este diseño refleja el lado más pragmático de la fabricación de fármacos con IA en la actualidad: los modelos pueden ampliar el espacio de búsqueda, pero que algo pueda convertirse en un fármaco sigue dependiendo de la verificación mediante datos experimentales, mecanismos de enfermedad y traslación clínica.

Por ahora, la información pública sigue siendo limitada. Los informes no precisan el área de enfermedad a la que apunta la colaboración, el tipo de diana, la fuente de los datos de entrenamiento, el método de validación del modelo, ni si alguna molécula candidata específica ya ha entrado en pruebas experimentales. Estas lagunas son importantes, porque el verdadero umbral del descubrimiento de fármacos con IA a menudo no está en si puede generar moléculas, sino en si las moléculas generadas pueden sintetizarse, reproducir el efecto esperado en modelos celulares o animales y sostenerse en términos de seguridad y farmacocinética.

Contexto

En los últimos años, las colaboraciones entre compañías farmacéuticas y plataformas de IA para fármacos han aumentado, pero los criterios de evaluación de la industria también han ido pasando gradualmente de “si se usa IA” a “en qué etapa de la I+D la IA genera valor verificable”. Si el programa de Mankind y Denovo puede publicar avances experimentales más concretos, como mejoras en la tasa de aciertos, mayor velocidad en la optimización de compuestos líderes o comparaciones con procesos tradicionales de cribado, podrá explicar mejor si este tipo de colaboración ofrece una eficiencia de I+D replicable.

Para la regulación y el desarrollo clínico, la IA en sí misma no dará atajos a las moléculas candidatas. Si en el futuro alguna molécula avanza a la etapa preclínica o clínica, aún deberá presentar evidencia de calidad, seguridad y eficacia conforme a las normas existentes. Por eso, esta colaboración se parece más a un experimento de transformación del proceso inicial de I+D: los algoritmos pueden acelerar las propuestas, pero lo que permanezca al final debe ser una molécula candidata capaz de resistir la validación biológica y médica.