El descubrimiento de fármacos siempre ha sido un juego de probabilidades remotas. Un nuevo medicamento puede tardar muchos años en desarrollarse, consumir una inversión sustancial y, aun así, fracasar antes de llegar a un solo paciente. En el caso de los medicamentos biológicos —terapias creadas a partir de proteínas diseñadas en lugar de química sintética—, el desafío es aún mayor. La cantidad de combinaciones moleculares posibles es tan vasta que ningún equipo humano podría explorarla sistemáticamente. Este es el problema que se le está pidiendo resolver a la IA, y el enfoque es más sofisticado de lo que sugiere la mayoría de la cobertura mediática.
El bucle de construir-medir-aprender que está reduciendo los plazos de los fármacos
El cambio fundamental que está ocurriendo en la I+D farmacéutica no es simplemente que se esté añadiendo IA a los flujos de trabajo existentes. Es que la IA está reestructurando la lógica de todo el proceso de descubrimiento.
En AstraZeneca, el enfoque sigue lo que Puja Sapra, vicepresidenta sénior y directora de ingeniería de biológicos y descubrimiento dirigido en oncología de I+D, describe como un bucle de construir-medir-aprender (build-measure-learn). La IA genera o clasifica moléculas candidatas mediante computación, prediciendo qué diseños tienen más probabilidades de éxito antes de que se realice cualquier experimento físico. A continuación, los científicos dirigen los recursos del laboratorio exclusivamente hacia los candidatos mejor clasificados. El resultado es un ciclo de retroalimentación más ágil: menos callejones sin salida, una iteración más rápida y la capacidad de perseguir dianas terapéuticas que antes se consideraban inalcanzables.
McKinsey estima que la IA generativa, combinada con otras herramientas computacionales, podría reducir los plazos del descubrimiento de fármacos hasta en un 50 %. Esa cifra merece contexto. No significa que la IA esté reemplazando el criterio científico. Significa que la proporción de experimentos productivos frente a los desperdiciados está mejorando y que el tiempo transcurrido entre la hipótesis y el resultado se está comprimiendo.
Lo que hace esto posible son los datos. Los conjuntos de datos de AstraZeneca son propietarios y multimodales, e incorporan estructuras moleculares, mediciones de unión, perfiles de seguridad y resultados de fabricación. La empresa también ha invertido en tecnologías de cribado profundo para generar conjuntos de datos adicionales al volumen necesario para refinar y validar continuamente sus modelos. Como señala Sapra: “Los datos son nuestro diferenciador”.
Diseñando fármacos que antes no existían
Más allá de acelerar los plazos, la IA está abriendo una categoría de medicamentos a los que los métodos tradicionales no podían llegar en absoluto.
Los fármacos biológicos convencionales suelen dirigirse a una sola vía de la enfermedad. La próxima generación, a veces llamada biológicos multiespecíficos, puede actuar sobre múltiples dianas de forma simultánea o entregar cargas terapéuticas a células específicas con precisión. El diseño de estas moléculas requiere optimizar muchas variables a la vez: potencia, estabilidad, fabricabilidad y seguridad. Ese tipo de optimización multidimensional es exactamente donde los modelos de IA tienen una ventaja estructural sobre los enfoques manuales.
Sapra describe un escenario en el que los modelos de IA podrían identificar qué dos o tres dianas biológicas priorizar y, a continuación, optimizar todos los parámetros relevantes en paralelo. “Tratar lo inabordable con fármacos se está convirtiendo en una realidad”, afirma. Las dianas que antes se consideraban imposibles de alcanzar ahora están a nuestro alcance.
La visión a más largo plazo es lo que en este campo se conoce como diseño “de novo”: la IA generando secuencias de proteínas totalmente nuevas desde cero, diseñadas para ajustarse a un conjunto preciso de propiedades farmacológicas, incorporando la seguridad y la fabricabilidad en la predicción desde el principio. AstraZeneca se encamina hacia esto con una instalación del “laboratorio del futuro” en Kendall Square, Cambridge, Massachusetts. El centro está diseñado como un sistema de descubrimiento de bucle cerrado donde la IA realiza predicciones, los sistemas robóticos ejecutan experimentos y los instrumentos generan datos que retroalimentan directamente a los modelos. Los sistemas automatizados de alto rendimiento acabarán evaluando miles de interacciones moleculares semanalmente, produciendo datos listos para la IA a una escala que los flujos de trabajo tradicionales no pueden igualar.
La predicción de la seguridad es la pieza no resuelta más difícil. Predecir si una molécula generada por ordenador será segura en el cuerpo humano sigue siendo uno de los desafíos más trascendamentales en el diseño de novo. AstraZeneca está abordando esto mediante sistemas celulares avanzados y modelos de órganos a microescala que funcionan como bancos de prueba físicos, combinados con IA que aprende de sus resultados. Se trata, en efecto, de ensayos clínicos virtuales.
Por qué esto importa más allá del laboratorio
La transformación en curso en el ámbito de los biológicos no es principalmente una historia sobre tecnología. Es una historia sobre lo que se vuelve posible cuando el cuello de botella cambia de lugar.
Durante décadas, la limitación en el descubrimiento de fármacos no fue la imaginación científica. Fue el enorme coste y el tiempo necesarios para probar las ideas. La mayoría de los candidatos prometedores nunca se exploraron porque la línea de desarrollo no podía darles cabida. La IA no elimina esa limitación por completo, pero cambia la proporción de forma drástica. Se pueden evaluar más candidatos, más dianas terapéuticas pasan a ser viables y el bucle de retroalimentación entre el experimento y la deducción se estrecha.
Aún existen tres requisitos previos entre el estado actual y un diseño de fármacos de novo plenamente realizado: datos de entrenamiento más ricos y estandarizados en toda la industria, referencias de evaluación sólidas para los candidatos generados por IA y equipos capaces de trabajar en la intersección entre el aprendizaje automático y la biología. Ninguno de estos puntos es trivial. Pero la dirección es clara.
Un aspecto fundamental es que el papel humano en este proceso no está disminuyendo. Los científicos siguen siendo centrales para la supervisión, el criterio y la dirección estratégica. El objetivo no es un diseño autónomo de fármacos sin intervención humana. Es un sistema en el que la IA gestiona el volumen combinatorio que los humanos no pueden abarcar, mientras que los científicos se centran en las decisiones que requieren intuición biológica, razonamiento ético y responsabilidad ante los pacientes.
En resumen
La IA no está reemplazando el descubrimiento de fármacos. Está reestructurando su lógica. Al reducir computacionalmente el espacio de búsqueda, permitir el diseño de fármacos para múltiples dianas y construir sistemas de bucle cerrado donde cada experimento mejora la siguiente predicción, la I+D farmacéutica avanza hacia un modelo en el que el factor limitante ya no es la cantidad de experimentos que puede realizar un equipo. El objetivo, aún en desarrollo, es un biológico completamente generado por IA, diseñado desde cero hasta convertirse en un candidato clínico. Los requisitos previos son significativos, pero la trayectoria ya no es especulativa.
Basado en información de MIT Technology Review.