Desarrollar un medicamento biológico —una terapia construida a partir de proteínas diseñadas, no de química sintética— ha sido durante décadas uno de los retos científicos más costosos y con mayor tasa de fracaso de la industria. Un solo fármaco puede requerir años de trabajo y miles de millones de inversión, y aun así la mayoría de los candidatos nunca llega al paciente.
El motivo tiene que ver con la escala del problema: el número de combinaciones moleculares posibles supera con creces lo que cualquier equipo humano puede explorar de forma sistemática. Algo, sin embargo, está empezando a cambiar en cómo la ciencia afronta ese reto.
Un problema de escala que supera la capacidad humana
Los fármacos biológicos no son moléculas simples. Son proteínas diseñadas que deben unirse al objetivo correcto, mantenerse estables en el organismo y poder fabricarse a escala industrial, y cada uno de esos requisitos multiplica las variables que los científicos deben considerar. El espacio de posibles combinaciones moleculares es tan vasto que ningún equipo humano podría explorarlo de manera sistemática aunque dedicara varias vidas a ello.
El resultado es un proceso caro, lento y con una tasa de fracaso muy elevada. Cada experimento fallido consume tiempo, dinero y recursos que podrían haberse destinado a otras dianas terapéuticas.
Aquí es donde la inteligencia artificial empieza a modificar las reglas del juego. En lugar de probar candidatos uno a uno en el laboratorio, los modelos computacionales filtran y priorizan miles de opciones antes de que se realice un solo experimento físico. El laboratorio deja de ser el primer paso y pasa a ser el último filtro.
El bucle de diseño que está acortando años de investigación
AstraZeneca describe su método como un ciclo de «construir, medir y aprender». La IA genera o prioriza candidatos moleculares de forma computacional, predice cuáles tienen más probabilidades de funcionar y, solo entonces, los científicos concentran los recursos del laboratorio en los mejor valorados. El enfoque reduce los callejones sin salida y acelera la iteración.
Según estimaciones de McKinsey, la IA generativa combinada con otras herramientas computacionales podría reducir los plazos de descubrimiento de fármacos hasta un 50%.
Las consecuencias van más allá de la velocidad. Los ciclos más cortos permiten perseguir dianas terapéuticas que antes se consideraban intratables. «Drogar lo indrogable se está convirtiendo en una realidad», señala Puja Sapra, vicepresidenta sénior de ingeniería de biológicos en AstraZeneca.
Datos propios: la ventaja competitiva que alimenta los modelos
Un modelo de IA es tan bueno como los datos con los que se entrena. En farmacología, eso significa datos biológicos de alta calidad y en gran volumen: estructuras moleculares, mediciones de unión, perfiles de seguridad y resultados de fabricación, entre otros.
AstraZeneca ha construido conjuntos de datos propietarios y multimodales a lo largo de años de investigación. Cada experimento —tanto si tiene éxito como si fracasa— genera señales útiles para refinar los modelos. El fracaso, en este contexto, no es un desperdicio: es información. La diversidad del portfolio de enfermedades que cubre la compañía amplía la representatividad de esos datos, produciendo sistemas más robustos y generalizables que los entrenados en un único dominio.
El laboratorio del futuro: robots, IA y un bucle cerrado de descubrimiento
En Kendall Square, Cambridge (Massachusetts), AstraZeneca está construyendo lo que describe como el «laboratorio del futuro»: una instalación donde la IA y la robótica forman un sistema de descubrimiento continuo y autónomo.
La analogía que emplea Sapra es precisa. Igual que un vehículo autónomo utiliza sensores y modelos para navegar su entorno, este sistema usa IA para hacer predicciones, robótica para ejecutar experimentos e instrumentos para generar datos que retroalimentan directamente los modelos, acelerando cada ciclo siguiente. Los sistemas automatizados de alto rendimiento podrán evaluar miles de interacciones moleculares cada semana, aunque los científicos mantienen la supervisión estratégica y ética del proceso.
Diseño de novo: generar medicamentos desde cero
El horizonte más ambicioso del campo es el diseño «de novo»: que la IA genere secuencias proteicas completamente nuevas que cumplan todas las propiedades deseadas de un fármaco, desde la estructura hasta la fabricabilidad.
El obstáculo más difícil —y menos discutido— sigue siendo la seguridad. Predecir si una molécula generada computacionalmente será segura en el cuerpo humano es un problema aún sin resolver. AstraZeneca trabaja en ello con modelos de órganos en miniatura y sistemas celulares avanzados que funcionan como ensayos clínicos virtuales. Los sistemas de IA agéntica ya pueden generar candidatos y predecir simultáneamente su eficacia y seguridad, conectando silos de datos que antes operaban por separado.
El campo avanza hacia un punto en que un candidato clínico podría diseñarse completamente desde cero, guiado por modelos que integran biología, química y seguridad en un único proceso. Si ese momento llega —y los investigadores del área consideran que es cuestión de tiempo, no de posibilidad—, la industria farmacéutica habrá cruzado un umbral que hoy todavía parece lejano. Lo que conviene seguir de cerca no es solo cuándo ocurrirá, sino qué enfermedades, hasta ahora sin tratamiento, podrían convertirse en el primer destino de esos medicamentos diseñados por máquinas.