Medicamentos diseñados por IA: del laboratorio clásico al algoritmo que descubre fármacos

INTELIGENCIA ARTIFICIAL · SALUD · FÁRMACOS

1. Por qué descubrir un fármaco es tan lento (y tan caro)

Empecemos por el contexto. Desde que se identifica una diana biológica prometedora hasta que un medicamento llega a la farmacia pueden pasar 10–15 años y miles de millones de euros entre investigación, ensayos y fracasos. Por cada compuesto que llega a receta, decenas de miles mueren en el camino.

Una de las razones es puramente combinatoria: el conjunto de moléculas posibles “razonablemente farmacológicas” se estima por encima de 10⁶⁰. Es un número astronómico, mucho más allá de lo que cualquier laboratorio puede sintetizar o probar en una vida (o en mil). La historia clásica del descubrimiento de fármacos es una mezcla de química creativa, cribados masivos en placas y una larga secuencia de ensayo y error, cada vez más sofisticada, pero ensayo y error al fin y al cabo.

Ahí es donde la IA promete un cambio de fase: no tanto “magia que inventa curas”, sino herramientas que filtran ese océano de posibilidades para que la parte lenta y cara (la biología experimental y los ensayos clínicos) se dedique solo a los candidatos con más probabilidades de funcionar.

2. Qué hace exactamente la IA en el descubrimiento de medicamentos

“Diseñar fármacos con IA” no es una única cosa. En la práctica, los modelos se cuelan en muchas fases del proceso:

a) Entender mejor la enfermedad. Modelos que integran genómica, proteómica, literatura científica y datos clínicos para sugerir nuevas dianas (proteínas, vías de señalización) y subtipos de pacientes. Aquí se busca responder a: “¿Qué deberíamos atacar?”

b) Diseñar o seleccionar moléculas. Redes neuronales, modelos generativos y algoritmos de refuerzo que proponen moléculas de cero o priorizan las más prometedoras en enormes librerías virtuales. Pregunta clave: “¿Qué molécula podría encajar mejor en la diana y tener buena farmacocinética?”

c) Optimizar y decidir. Una vez tienes candidatos, la IA ayuda a predecir toxicidad, metabolismo, interacción con otros fármacos y hasta qué estudios preclínicos merece la pena hacer. Aquí hablamos de “¿cuáles son los 20 compuestos que realmente debemos llevar al laboratorio?”

En paralelo, están creciendo enfoques más radicales: desde dispositivos ingeribles que liberan fármacos de forma inteligente hasta algoritmos que recomiendan tratamientos, priorizan pacientes o sugieren cambios de dosis. Todo un ecosistema de “IA + medicina” que va mucho más allá de un único fármaco.

3. De millones de moléculas a unas pocas: cribado virtual y diseño generativo

Tradicionalmente, para encontrar una molécula activa contra una proteína se podían llegar a probar cientos de miles o millones de compuestos en experimentos de alto rendimiento (high-throughput screening). Es caro, consume material y muchas de esas moléculas nunca llegarán a nada.

La primera aportación de la IA fue acelerar el cribado virtual: en lugar de sintetizar y probar físicamente, se simula por ordenador cómo encajan moléculas virtuales en la diana. Con técnicas clásicas de “docking” molecular, cribar 10¹⁰ compuestos podría llevar miles de años de CPU si se hace de forma exhaustiva. Los modelos de aprendizaje profundo permiten predecir, en milisegundos, qué moléculas tienen más probabilidades de un buen encaje, reservando las simulaciones costosas solo para el top de candidatos.

Además, han aparecido modelos generativos que no solo filtran, sino que crean moléculas nuevas optimizadas para una diana concreta. En lugar de partir de una librería fija, la IA explora el espacio químico como si llenara un lienzo: genera estructuras, evalúa sus propiedades y se queda con las más prometedoras. En algunos estudios, se ha demostrado que unas pocas decenas o cientos de moléculas generadas por IA pueden equivaler, en términos de “hits” útiles, a cribar cientos de miles o millones diseñadas de forma más tradicional.

El resultado práctico es simple: menos síntesis inútil, menos reactivos tirados a la basura, menos horas de robots en el laboratorio y más foco en los compuestos que realmente tienen posibilidades de convertirse en medicamento.

4. Proteínas resueltas por IA: AlphaFold y la nueva cartografía del cuerpo

Diseñar un buen fármaco es, en esencia, diseñar una llave para una cerradura: una molécula que encaje en una proteína concreta. El problema es que durante décadas no conocíamos la estructura tridimensional de la mayoría de esas cerraduras. Resolverla mediante cristalografía o criomicroscopía puede llevar meses o años por proteína.

Con la llegada de modelos como AlphaFold, esa situación ha cambiado de golpe. Estos sistemas predicen la estructura 3D de proteínas a partir de su secuencia de aminoácidos con una precisión que, en muchos casos, se acerca a la resolución experimental. En las competiciones CASP (el “mundial” de predicción de estructuras), AlphaFold ha alcanzado precisiones de alrededor de 1 Å de error medio en la posición de los átomos del esqueleto proteico, superando con claridad a métodos anteriores.

Lo más potente no es solo la calidad, sino la escala: hoy disponemos de bases de datos abiertas con predicciones de estructura para más de 200 millones de proteínas. Eso quiere decir que, para un número enorme de posibles dianas, el “modelo 3D” ya está listo para ser usado en simulaciones, diseño de moléculas y estudios de interacción. De repente, la química medicinal tiene un mapa mucho más detallado del cuerpo humano y de muchos patógenos.

5. Los primeros medicamentos diseñados por IA que ya están en ensayos

Todo esto suena bien, pero la pregunta clave es: ¿ya hay medicamentos “diseñados por IA” en pacientes? La respuesta es sí, aunque todavía en fases tempranas.

En 2020 se anunció el inicio de un ensayo de fase I en Japón de DSP-1181, un candidato para trastorno obsesivo-compulsivo diseñado con una plataforma de IA que analizó librerías químicas y optimizó la molécula en menos de un año. Fue uno de los primeros ejemplos mediáticos de un fármaco cuyo diseño se atribuye en gran parte a algoritmos de aprendizaje automático.

Poco después, otras compañías como Exscientia o BenevolentAI han llevado a ensayos clínicos varios compuestos descubiertos o optimizados con IA. En paralelo, empresas como Insilico Medicine han desarrollado moléculas generadas de forma end-to-end por modelos generativos, como INS018_055, un inhibidor pan-fibrótico para fibrosis pulmonar idiopática que ya ha alcanzado la fase 2 de ensayos con pacientes.

Los números todavía son modestos si los comparas con toda la industria farmacéutica, pero la tendencia es clara: revisiones recientes estiman más de 150 moléculas pequeñas impulsadas por IA en distintas fases de descubrimiento y alrededor de 15 que han dado el salto a ensayos clínicos. Es poco para hablar de “revolución consumada”, pero mucho para ignorarlo como simple moda.

Además, los grandes actores se están moviendo. Desde consorcios que comparten estructuras proteína-ligando para entrenar modelos abiertos de biología estructural, hasta acuerdos entre farmacéuticas y compañías tecnológicas para construir supercomputadores dedicados a entrenar modelos de simulación capaces de probar millones de experimentos virtuales. La IA está pasando de ser un “gadget” de innovación a una pieza central de la estrategia de I+D.

6. Qué cambia en el laboratorio: menos ensayo y error, más simulación

Si bajas al día a día de un laboratorio de descubrimiento, la diferencia se nota en cómo se toman las decisiones. Donde antes se planteaban grandes campañas de cribado, ahora se diseña primero una fase de exploración virtual, se selecciona un conjunto pequeño de moléculas con diversas estructuras químicas y se invierten los recursos experimentales en caracterizarlas a fondo.

También cambia la propia organización del equipo: bioinformáticos, especialistas en machine learning y químicos medicinales trabajan juntos. El químico ya no propone solo por intuición, sino con apoyo de modelos que predicen solubilidad, permeabilidad, toxicidad o riesgo de interacción con otras dianas. Y esos modelos se alimentan de datos internos, pero también de información externa, bases de datos públicas y literatura científica.

Si te interesa la parte más técnica de cómo se construyen estas tuberías de datos y modelos, muchos conceptos se solapan con lo que ya se usa en otros sectores para analítica avanzada, algo que exploro también desde el ángulo empresarial en el post sobre ingeniería de datos e IA: sin una buena base de datos limpios, trazables y bien gobernados, ningún algoritmo de descubrimiento de fármacos funciona de forma fiable.

7. Retos éticos: sesgos, cajas negras y nuevas desigualdades

Hasta aquí, la historia suena a mejora de eficiencia. Pero descubrir fármacos no es solo un problema técnico; es una actividad profundamente ética y política. Cuando introduces IA en la ecuación, aparecen preguntas incómodas.

Sesgos en los datos. Los modelos se entrenan con datos históricos: ensayos previos, bases de compuestos, literatura, historias clínicas. Si esos datos están sesgados hacia ciertas poblaciones (por ejemplo, más datos de pacientes de Europa y Norteamérica, menos de otras regiones), las moléculas y estrategias resultantes pueden reflejar esas desigualdades. Lo mismo pasa si hay más inversión en ciertas enfermedades que en otras: la IA amplifica prioridades existentes.

Transparencia y responsabilidad. Muchos modelos usados en diseño molecular son cajas negras difíciles de interpretar. ¿Quién es responsable si un medicamento diseñado por IA tiene efectos secundarios graves que no se detectaron? Reguladores, empresas y comunidad científica están todavía construyendo marcos para auditar estos sistemas, algo que se cruza con debates más amplios sobre el “lado oculto” de la IA, como analizo en el contexto socioeconómico en el artículo sobre la cara oculta de la IA.

Acceso y desigualdad. Las empresas que controlan las plataformas de descubrimiento de fármacos basadas en IA pueden acumular una ventaja brutal: mejores modelos, más datos, más propiedad intelectual. Eso puede traducirse en medicamentos más caros, menos diversidad de enfoques y concentración de poder. A la vez, hay líneas prometedoras en sentido contrario: modelos abiertos, consorcios públicos y colaboraciones que comparten estructuras y datos para acelerar la investigación académica.

Y luego está la cuestión de los algoritmos que toman decisiones alrededor de esos fármacos: qué pacientes acceden primero, cómo se priorizan tratamientos o quién entra en un ensayo clínico. No está tan lejos de los escenarios que exploro en IA que decide si te atienden en urgencias: cuando la lógica del algoritmo se cruza con la lógica de la salud pública, el riesgo no es solo técnico, también democrático.

8. Qué significa esto para pacientes, médicos y sistemas de salud

Para pacientes, la promesa más directa es obvia: más terapias, más rápido. Especialmente en enfermedades raras o con pocas opciones actuales, reducir de 10 a 5 años el tiempo hasta tener un tratamiento viable no es una cuestión de eficiencia, es literalmente cuestión de vida o muerte.

Para médicos, significa convivir con medicamentos cuyo diseño y optimización incorpora capas de modelado muy sofisticadas. Eso exige entender, al menos a grandes rasgos, qué tipo de incertidumbres y limitaciones tienen estos modelos. Igual que un radiólogo aprende a leer las “manías” de un sistema de diagnóstico asistido por IA, un clínico tendrá que aprender a interpretar etiquetas, advertencias y datos de fármacos diseñados con algoritmos.

Para los sistemas de salud, el impacto no es solo clínico, también económico y organizativo. Un pipeline de descubrimiento más rápido puede abaratar algunos costes, pero también puede multiplicar el número de candidatos y ensayos compitiendo por recursos limitados. Y la forma en que se regulen estos modelos definirá si la innovación se traduce en medicamentos realmente accesibles o solo en nuevas moléculas de nicho a precios astronómicos.

En el fondo, lo que está en juego recuerda a otros debates sobre IA en contextos críticos: desde la justicia hasta la educación o la política sanitaria. En varios artículos de la serie sobre algoritmos en servicios públicos exploro esos escenarios (como el de las urgencias médicas); el caso de los fármacos es una pieza más de ese mismo rompecabezas: ¿cómo gobernamos sistemas que pueden salvar vidas, pero también amplificar injusticias?

9. ¿Algoritmos que curan? No sin ciencia, regulación y responsabilidad

Es tentador hablar de “algoritmos que curan enfermedades”, pero sería un error. Lo que tenemos son herramientas muy potentes que ayudan a científicos, médicas, reguladores y pacientes a explorar mejor el espacio de lo posible. Sin datos de calidad, sin ensayos bien diseñados y sin control regulatorio riguroso, la IA en descubrimiento de fármacos es solo un generador muy sofisticado de hipótesis.

La buena noticia es que, usada con cuidado, puede recortar años de trabajo repetitivo, destapar dianas que nadie había considerado y sugerir combinaciones terapéuticas que un cerebro humano difícilmente imaginaría solo. La mala noticia es que, si la dejamos operar en piloto automático, puede reforzar sesgos, priorizar enfermedades y mercados según intereses comerciales y dificultar la transparencia sobre por qué se desarrolló un fármaco y no otro.

El futuro de los medicamentos diseñados por IA no está escrito en código, está escrito en decisiones: cómo compartimos datos, cómo regulamos modelos, cómo distribuimos beneficios y riesgos. De esas decisiones dependerá que, cuando dentro de unos años leas que un nuevo fármaco ha sido “descubierto por un algoritmo”, puedas confiar en que detrás hay ciencia sólida, supervisión humana y un compromiso real con la salud de las personas, no solo con la eficiencia de la máquina.