Cómo la IA está acelerando el descubrimiento de nuevos medicamentos
La inteligencia artificial ya está cambiando la forma de buscar nuevos medicamentos, aunque quizá no de la manera espectacular que a veces sugieren los titulares. No ha eliminado los laboratorios, ni los ensayos clínicos, ni la incertidumbre biológica. Lo que sí está haciendo es acortar una de las partes más lentas y caras del proceso: encontrar buenas hipótesis, priorizar moléculas y detectar antes qué caminos merecen ser explorados.
Durante décadas, descubrir un fármaco ha sido una mezcla de ciencia, intuición, ensayo y error. Primero hay que entender una enfermedad, identificar una diana biológica, encontrar una molécula que la modifique, comprobar que no sea tóxica, optimizarla, probarla en modelos preclínicos y después llevarla a ensayos en humanos. La mayoría de candidatos fracasa. La IA entra justo ahí: no garantiza el éxito, pero puede hacer que los investigadores lleguen antes a candidatos más prometedores.
De mirar proteínas a diseñar candidatos
Uno de los avances más influyentes ha sido la predicción de estructuras moleculares. Con AlphaFold 3, Google DeepMind e Isomorphic Labs ampliaron la capacidad de modelar no solo proteínas, sino también interacciones con ADN, ARN, ligandos y otras moléculas. Para el descubrimiento de fármacos, esto es importante porque muchas terapias dependen de una pregunta muy concreta: ¿cómo encaja una molécula candidata con una diana biológica?
Antes, obtener esa respuesta podía requerir cristalografía, microscopía crioelectrónica u otros métodos experimentales complejos. Siguen siendo necesarios, pero la IA permite explorar muchas más posibilidades antes de entrar al laboratorio. Es como pasar de buscar una llave probando una a una en una cerradura, a tener un mapa aproximado de la forma de la cerradura y fabricar primero las llaves con más opciones.
La diferencia no es menor. En el diseño de fármacos, una molécula no solo debe unirse a su objetivo; también debe ser estable, soluble, absorbible, selectiva y segura. Un modelo puede proponer estructuras nuevas, pero la química médica tiene que convertir esas ideas en compuestos reales. Por eso conviene entender la IA como un motor de exploración, no como una fábrica automática de medicamentos.
El caso de los antibióticos: buscar donde nadie miraba
Uno de los campos donde la IA resulta especialmente atractiva es el de los antibióticos. La resistencia bacteriana avanza más rápido que la llegada de nuevos tratamientos, y el modelo económico tradicional ha dejado muchas áreas desatendidas. Aquí, los algoritmos pueden analizar enormes bibliotecas de moléculas, detectar patrones difíciles de ver y priorizar candidatos con mecanismos poco habituales.
Equipos académicos han usado aprendizaje automático para cribar millones de compuestos y péptidos, buscando actividad antimicrobiana en espacios químicos que serían imposibles de revisar manualmente. Algunos resultados han llegado a pruebas de laboratorio y modelos animales. No significa que el antibiótico esté listo para receta; significa que la IA ha servido para encontrar agujas en pajares químicos inmensos, y eso ya es valioso.
Cuando el algoritmo llega a ensayos clínicos
El ejemplo más observado por la industria es el de los fármacos diseñados o priorizados con plataformas de IA que ya han entrado en fases clínicas. Un caso relevante es INS018_055, también conocido como rentosertib, un inhibidor de TNIK para fibrosis pulmonar idiopática. El trabajo publicado en Nature Biotechnology describe un proceso en el que la IA ayudó a identificar la diana, generar moléculas y seleccionar un candidato con propiedades farmacológicas atractivas.
La parte interesante no es solo que haya una molécula “diseñada por IA”, una etiqueta que a veces simplifica demasiado. Lo relevante es que el ciclo desde la identificación de la diana hasta la nominación preclínica del candidato se completó en unos 18 meses, según el artículo. En una industria donde los calendarios se cuentan a menudo en años largos, reducir iteraciones tempranas puede cambiar mucho la economía del descubrimiento.
Aun así, aquí aparece el matiz central. Que un candidato llegue a fase I o fase II no demuestra que vaya a convertirse en medicamento aprobado. Los ensayos clínicos existen precisamente porque el cuerpo humano es más complejo que cualquier modelo. La IA puede mejorar la salida, pero no elimina la prueba final: eficacia real, seguridad, dosis, efectos secundarios y comparación con tratamientos existentes.
Enfermedades olvidadas y diseño de proteínas
Otro frente prometedor está en terapias para enfermedades poco rentables o poco atendidas. El País recogió el caso de un tratamiento experimental contra el veneno de cobra diseñado con herramientas como RFdiffusion y ProteinMPNN, capaz de crear proteínas con potencial para neutralizar toxinas. Es una línea especialmente sugerente porque la IA no solo busca moléculas existentes: también puede diseñar proteínas nuevas con funciones concretas.
Este tipo de trabajos abre una posibilidad potente: que laboratorios con menos recursos puedan explorar soluciones para problemas que no atraen grandes inversiones farmacéuticas. No porque la IA abarate mágicamente todo, sino porque reduce ciertas barreras iniciales. Si puedes generar diseños plausibles antes de gastar grandes sumas en síntesis y experimentación, la investigación en áreas olvidadas gana margen.
Lo que la IA sí cambia y lo que no
La IA cambia la escala de búsqueda. Puede analizar datos ómicos, literatura científica, estructuras moleculares, historiales experimentales y bibliotecas químicas en combinaciones que ningún equipo humano podría revisar manualmente. También puede proponer moléculas nuevas, anticipar propiedades, detectar toxicidades probables y ayudar a decidir qué experimentos conviene hacer primero.
Otro uso menos llamativo, pero muy práctico, es el reposicionamiento de medicamentos. En vez de empezar desde cero, los modelos buscan nuevas indicaciones para fármacos ya conocidos, combinando datos de expresión génica, efectos secundarios, mecanismos de acción y literatura biomédica. Si una molécula ya tiene parte de su seguridad caracterizada, el camino regulatorio puede ser más directo. No siempre funciona, claro, pero en enfermedades raras o con pocas opciones terapéuticas puede abrir puertas que antes quedaban demasiado escondidas.
Pero hay límites. Muchos datos biomédicos son incompletos, sesgados o difíciles de comparar. Una diana que parece brillante en un modelo puede no ser relevante en pacientes. Una molécula que funciona en células puede fallar en animales. Una terapia prometedora en fase temprana puede no superar un ensayo grande. La biología sigue siendo testaruda, y esa testarudez es precisamente la razón por la que hacen falta pruebas rigurosas.
Por eso el impacto más realista de la IA no es sustituir a los investigadores, sino cambiar su punto de partida. Menos búsqueda a ciegas, más hipótesis priorizadas, más experimentos diseñados con intención. Para farmacéuticas, hospitales, universidades y biotecnológicas pequeñas, eso puede significar ciclos más cortos y carteras de proyectos más variadas.
Una revolución lenta, pero profunda
El descubrimiento de medicamentos gracias a la IA no va a parecerse a pulsar un botón y recibir una cura. Será más silencioso: modelos que sugieren dianas, algoritmos que descartan moléculas malas antes de sintetizarlas, simulaciones que orientan a químicos, sistemas que conectan pistas dispersas entre enfermedades, genes y compuestos.
La revolución está precisamente ahí. No en prometer fármacos instantáneos, sino en hacer que la ciencia falle antes, falle más barato y encuentre mejores caminos. Si esa promesa se confirma, la IA no será una anécdota dentro de la farmacología: será parte de la infraestructura normal con la que se descubren los medicamentos del futuro.