Durante décadas, el descubrimiento de nuevos fármacos ha sido un proceso brutalmente lento y caro. Un candidato prometedor tarda de diez a quince años en llegar a las farmacias, y la mayoría fracasa antes de superar los ensayos clínicos. La inteligencia artificial está empezando a cambiar esa ecuación de manera radical.
Cómo la IA acelera el proceso
Los modelos de aprendizaje profundo pueden analizar millones de moléculas en cuestión de horas, identificando cuáles tienen mayor probabilidad de interactuar con una proteína objetivo sin causar efectos secundarios graves. Lo que antes requería equipos enteros de bioquímicos durante meses ahora puede realizarse en días.
Empresas como Insilico Medicine, Recursion Pharmaceuticals o la división de IA de Google DeepMind (con AlphaFold y las herramientas derivadas) han demostrado que los modelos pueden no solo predecir estructuras proteicas con precisión atómica, sino también proponer moléculas completamente nuevas diseñadas a medida para un objetivo terapéutico específico.
El primer fármaco diseñado íntegramente por IA
En 2023, Insilico Medicine recibió aprobación para iniciar ensayos clínicos de Fase II con INS018_055, un fármaco para la fibrosis pulmonar idiopática diseñado casi en su totalidad por inteligencia artificial. El proceso completo, desde la identificación del objetivo molecular hasta el candidato clínico, duró apenas 30 meses, frente a los cinco o seis años que requieren los enfoques tradicionales.
No es un caso aislado. Exscientia, empresa británica, desarrolló el primer candidato a fármaco diseñado por IA que llegó a ensayos en humanos ya en 2020. Desde entonces, la industria farmacéutica ha multiplicado sus inversiones en estas herramientas.
Más allá de la velocidad: reducción de costes
El coste de desarrollar un nuevo fármaco se estima en más de 2.000 millones de dólares de media, contando todos los fracasos. La IA no solo acelera la fase de descubrimiento, también reduce drásticamente el número de candidatos que fracasan en fases tempranas al predecir mejor la toxicidad, la biodisponibilidad y los posibles efectos adversos antes de sintetizar el compuesto físicamente.
Según estimaciones de McKinsey, la integración de la IA en el descubrimiento y desarrollo de fármacos podría reducir los costes globales de I+D farmacéutico entre un 25% y un 50% en la próxima década.
Los límites actuales de la tecnología
A pesar del entusiasmo, los expertos recuerdan que la IA no ha eliminado la fase más crítica y costosa del proceso: los ensayos clínicos en humanos. Predecir el comportamiento de una molécula en el cuerpo humano sigue siendo enormemente complejo, y los modelos actuales aún cometen errores que solo los estudios en pacientes pueden revelar.
Además, la calidad de los resultados depende en gran medida de los datos de entrenamiento: si los conjuntos de datos son sesgados o incompletos, los modelos pueden proponer candidatos que parecen prometedores en simulación pero fallan en la realidad clínica.
Laboratorios autónomos: el siguiente paso
Varias empresas y laboratorios universitarios están desarrollando lo que denominan «laboratorios autónomos», donde robots controlados por IA no solo diseñan compuestos sino que también los sintetizan, los prueban y ajustan el diseño en función de los resultados, creando un bucle de retroalimentación sin intervención humana constante.
Si este modelo se generaliza, el horizonte a medio plazo podría incluir fármacos personalizados diseñados específicamente para el perfil genético de cada paciente, reduciendo los efectos secundarios y maximizando la eficacia. El sueño de la medicina de precisión, con la IA como motor principal.
