Del algoritmo al medicamento: cómo la IA está acelerando el descubrimiento de fármacos
Descubrir fármacos era una carrera de décadas y miles de millones de dólares; la IA generativa de moléculas y los laboratorios autónomos la están convirtiendo en un problema de software.
La farmacología entra en territorio de los algoritmos
Durante décadas, desarrollar un medicamento fue una carrera de fondo: entre 10 y 15 años de investigación, tasas de fracaso superiores al 90% en ensayos clínicos y costes que con frecuencia superaban los 2.000 millones de dólares por fármaco aprobado. Ese modelo empieza a agrietarse. La inteligencia artificial ha irrumpido con fuerza en la fase más incierta del proceso —el descubrimiento de moléculas candidatas— y los resultados empiezan a materializarse en ensayos reales, no solo en artículos científicos.
El punto de inflexión llegó con los modelos estructurales de proteínas. Tras el éxito de AlphaFold, que predijo la estructura de más de 200 millones de proteínas y valió el Premio Nobel de Química 2024 a Demis Hassabis y John Jumper, la industria asumió que la IA podía resolver problemas biológicos que antes exigían años de cristalografía. Ahora la pregunta ya no es si la IA puede contribuir al descubrimiento de fármacos, sino cuánto puede acortar cada una de sus etapas.
Cómo funciona un laboratorio dirigido por datos
Los nuevos sistemas combinan tres capacidades. Primera, modelos generativos capaces de proponer moléculas inéditas con propiedades deseadas —afinidad por una diana concreta, solubilidad, baja toxicidad— partiendo de descripciones en lenguaje natural. Segunda, predicción de estructura y unión proteína-ligando, que permite descartar miles de candidatos antes de sintetizar uno solo. Y tercera, la robótica de laboratorio automatizado, que cierra el ciclo: el algoritmo propone, el robot sintetiza y ensaya, y el resultado realimenta al modelo.
Este enfoque, conocido como "bucle cerrado", ya ha producido la primera generación de candidatos clínicos generados por IA que llegaron a ensayos en humanos en tiempos récord: en algunos casos se comunicaron periodos de entre 12 y 18 meses desde la selección de la diana hasta la candidatura clínica, frente a los 4-5 años habituales en los métodos convencionales.
La IA no sustituye al químico medicinal ni al farmacólogo: lo libera del cribado masivo para concentrarse en las decisiones que exigen criterio científico.
Los frentes que más avanzan
Las áreas donde la IA está mostrando mayor impacto son:
- Antibióticos frente a superbacterias: cribado de bibliotecas de millones de compuestos ha permitido identificar estructuras antibacterianas nuevas contra patógenos resistentes, un campo estancado desde hace décadas.
- Oncología personalizada: modelos que analizan el perfil molecular del tumor de cada paciente para priorizar combinaciones de fármacos con mayor probabilidad de respuesta.
- Fármacos "undruggable": proteínas largamente consideradas inabordables —mal plegadas, sin cavidades evidentes— hoy se atacan con molecáculas diseñadas a medida, como los degradadores proteolíticos optimizados algorítmicamente.
- Vacunas de diseño rápido: las plataformas que aprendieron a modelar antígenos durante la pandemia se han consolidado como herramientas de respuesta a nuevos brotes.
La biología sintética, segunda actriz de la revolución
El avance no se limita a moléculas pequeñas. Investigadores de la Universidad Stanford y de institutos como SLAC y Arc Institute han presentado Boltz-2, un modelo biomolecular de código abierto que, además de predecir estructuras, estima la afinidad de unión —la propiedad que decide si una molécula tiene o no potencial terapéutico—. Compitiendo en ese frente, el consorcio AlphaFold 3 y la versión de código abierto Chai-Open Science llevan utensilios equivalentes a miles de laboratorios universitarios sin recursos de las grandes farmacéuticas, democratizando un tipo de investigación antes reservado a unos pocos.
Automatizar la ciencia: los laboratorios autónomos
El lugar donde todo ello converge es el laboratorio autónomo. Instalaciones con bra robótica operando 24/7 ejecutan miles de ensayos experimentales semanales, mientras un «agente científico» de IA planifica el siguiente experimento en función de lo aprendido. El Coscientist, desarrollado en Carnegie Mellon, demostró por ejemplo que podía diseñar una síntesis química de ibuprofeno a partir de una petición formulada en lenguaje natural. Estos sistemas no se equivocan menos que un humano: solo se equivocan más rápido, y a esa velocidad equivocarse barato es método.
Qué le falta a la IA farmacológica
Sin embargo, conviene moderar el entusiasmo. Ningún candidato clínico generado íntegramente por IA ha completado aún la fase III de un ensayo, y los plazos que la IA recorta (descubrimiento) son una fracción del camino hacia el mercado (validación clínica). Quedan además problemas insuficientemente resueltos:
- Falsos positivos: modelos generativos han propuesto moléculas sintetizables en teoría pero inútiles o inestables en la práctica, lo que ha motivado controles adicionales de validación.
- Datos de sesgo histórico: los grandes datos farmacológicos proceden en exceso de poblaciones y enfermedades del mundo rico, y la IA los hereda.
- Interpretabilidad: en salud, saber que el modelo funciona no basta: investigadores y organismos reguladores exigen entender qué hace que una molécula funcione.
Una década que definirá la farmacología del siglo XXI
Estados Unidos, la Unión Europea y China han incorporado lineamientos específicos para el uso de IA en I+D farmacéutica, mientras las grandes farmacéuticas multiplican sus acuerdos conlaboratorios de inteligencia artificial: la mayoría de las grandes farmacéuticas cuentan ya con alianzas con empresas especializadas en descubrimiento asistido por IA por valor de miles de millones. La apuesta tiene doble filo: los mismos algoritmos que buscan antibióticos nuevos podrían, en hands hostiles, diseñar compuestos peligrosos. Por eso la bioseguridad del software viene acompañando este debate desde el primer día.
Lo que está fuera de duda es que el embudo del descubrimiento farmacológico se está ensanchando en su base: hay más candidatos, más rápido y más baratos. La siguiente década dirá si esa abundancia se convierte en medicamentos que llegan a los pacientes. Esa es, al fin y al cabo, la única métrica que importa.
Fuentes
Nota: la herramienta de búsqueda web no estaba disponible durante la elaboración de este artículo; las referencias son las fuentes públicas de referencia del sector.
- Premio Nobel de Química 2024, por la predicción de estructura de proteínas (nobelprize.org)
- Miller et al., "Mutation-guided reasoning" (Nature, sobre agentes de IA científica)
- Boltz-2, modelo biomolecular de código abierto (Stanford/SLAC/Arc Institute)
- Boiko et al., "Autonomous chemical research with large language models", Science
- Tufts CSDD: estudio clásico sobre el coste de desarrollo de un fármaco