Cómo funciona el descubrimiento de fármacos con IA: del objetivo al ensayo clínico

El cuello de botella del billón de dólares

Desarrollar un nuevo fármaco ha sido durante mucho tiempo una de las empresas más costosas y propensas al fracaso en la ciencia. De media, se necesitan entre 10 y 15 años y cuesta aproximadamente 2800 millones de dólares llevar un solo medicamento desde el concepto inicial hasta el estante de la farmacia. Solo alrededor de uno de cada diez candidatos que entran en ensayos clínicos obtiene la aprobación regulatoria. El resto fracasa, a menudo en las últimas etapas del proceso, después de años de inversión.

La inteligencia artificial está ahora atacando este cuello de botella en cada etapa. Más de 200 fármacos originados con IA han entrado en desarrollo clínico, frente a solo tres en 2016. Aquí se explica cómo funciona realmente la tecnología, dónde está dando resultados y qué obstáculos aún se interponen en el camino.

Cómo funciona el proceso

Identificación del objetivo

Todo fármaco comienza con un objetivo biológico, generalmente una proteína involucrada en la enfermedad. Tradicionalmente, los investigadores pasan años examinando datos genómicos y experimentos de laboratorio para encontrar uno que valga la pena perseguir. Los modelos de aprendizaje automático aceleran esto analizando vastos conjuntos de datos de expresión génica, interacciones de proteínas y registros de pacientes para señalar objetivos prometedores en semanas en lugar de años.

Diseño y selección de compuestos

Una vez que se elige un objetivo, los científicos necesitan una molécula que se una a él de la manera correcta. El enfoque convencional implica la selección de millones de compuestos existentes de bibliotecas químicas, un proceso lento y costoso. La IA generativa invierte este paradigma: en lugar de probar lo que ya existe, diseña moléculas completamente nuevas desde cero, optimizándolas para propiedades como la fuerza de unión, la solubilidad y la baja toxicidad antes de que se toque un solo tubo de ensayo.

Optimización de candidatos y predicción de propiedades

Los candidatos prometedores, llamados "candidatos principales", deben refinarse. Los modelos de IA predicen características clave, como cómo se comportará una molécula en el cuerpo, si causará efectos secundarios y con qué facilidad se puede fabricar. Estas predicciones permiten a los investigadores descartar los candidatos débiles al principio y centrar los recursos en las opciones más viables, reduciendo los costes preclínicos en un estimado de 25 a 50 por ciento.

Diseño de ensayos clínicos

La IA también remodela los propios ensayos. Los algoritmos ayudan a identificar las poblaciones de pacientes adecuadas, predecir la dosis óptima y señalar las señales de seguridad más rápido que el monitoreo tradicional. El resultado son ensayos más cortos, más baratos y con más probabilidades de producir respuestas claras.

Resultados en el mundo real

Las cifras son sorprendentes. Los fármacos descubiertos con IA alcanzan tasas de éxito de 80 a 90 por ciento en los ensayos de Fase I, en comparación con el 40 a 65 por ciento de los compuestos descubiertos convencionalmente, según análisis de la industria. El cronograma desde el descubrimiento hasta la clínica se ha comprimido de un promedio histórico de cuatro a seis años a tan solo 18 meses en algunos casos.

El ejemplo más destacado es el rentosertib de Insilico Medicine, un tratamiento para la fibrosis pulmonar idiopática. Tanto el objetivo de la enfermedad como la molécula del fármaco fueron identificados por IA generativa, y el compuesto alcanzó los ensayos de Fase II en menos de 30 meses. Los resultados de la Fase IIa, publicados en Nature Medicine, mostraron una mejora significativa en la función pulmonar en comparación con el placebo.

Mientras tanto, Recursion Pharmaceuticals está ejecutando programas guiados por IA en docenas de enfermedades simultáneamente, y empresas como Amgen y Moderna están integrando modelos de IA especializados, incluido GPT-Rosalind, lanzado recientemente por OpenAI, en sus flujos de trabajo de investigación.

Qué obstáculos aún se interponen en el camino

A pesar de todas las promesas, siguen existiendo obstáculos importantes. Ningún fármaco diseñado con IA ha completado todavía un ensayo de Fase III y ha recibido la aprobación regulatoria completa. Múltiples analistas estiman alrededor de un 60 por ciento de probabilidad de que la primera aprobación de este tipo llegue en 2027, pero ese hito aún no está probado.

La calidad de los datos plantea otro desafío. Los modelos de IA son tan buenos como los conjuntos de datos de los que aprenden. Si los datos de entrenamiento se inclinan hacia ciertos grupos demográficos, los fármacos resultantes pueden ser menos efectivos, o menos seguros, para las poblaciones subrepresentadas. Las preocupaciones sobre la privacidad también son importantes, ya que los modelos a menudo requieren acceso a información confidencial del paciente.

También existen preocupaciones sobre la bioseguridad. Los modelos entrenados con datos biológicos podrían teóricamente ser mal utilizados para diseñar patógenos dañinos, lo que llevó a empresas como OpenAI a restringir el acceso a sus modelos de ciencias de la vida a través de programas de acceso confiable restringidos a organizaciones de investigación calificadas.

Por qué es importante

La industria farmacéutica gasta más de 250 mil millones de dólares anuales en investigación y desarrollo en todo el mundo, sin embargo, las tasas de fracaso de los fármacos siguen siendo obstinadamente altas. Si la IA puede comprimir de manera fiable los plazos, reducir los costes y mejorar las tasas de éxito, el impacto se extiende mucho más allá de los balances corporativos. Un descubrimiento más rápido significa que los pacientes con enfermedades raras, infecciones resistentes a los antibióticos y pandemias emergentes podrían obtener tratamientos eficaces años antes de lo que permite el antiguo sistema.

El mercado del descubrimiento de fármacos con IA, valorado en aproximadamente 1900 millones de dólares en 2025, se proyecta que alcance los 2600 millones de dólares en 2026 y continúe creciendo a una tasa anual del 27 por ciento. Si la tecnología cumple sus promesas más audaces probablemente se hará evidente en los próximos años, cuando la primera ola de fármacos diseñados con IA se enfrente a la prueba definitiva de los ensayos de Fase III y la revisión regulatoria.