Descubrir un fármaco cuesta más de 2.600 millones de dólares y puede llevar más de una década. Una revisión científica publicada en *Pharmacological Reviews* documenta que la inteligencia artificial ya no solo acelera ese proceso: en las fases más lentas, directamente lo automatiza, desplazando al investigador humano del ciclo experimental.
De la diana terapéutica al ensayo clínico: el caso de Insilico Medicine
El ejemplo más documentado es el de Insilico Medicine. La compañía identificó una diana terapéutica en 2019 y llevó su molécula ISM001-055 hasta ensayos clínicos en un plazo que, con metodología convencional, habría sido imposible de alcanzar.
El proceso ilustra el cambio de fondo: la IA no asistió a los investigadores en tareas puntuales, sino que ejecutó el diseño molecular desde el inicio. El científico humano validó; el algoritmo propuso y refinó.
Ese modelo operativo es hoy el núcleo de varias empresas del sector. Recursion Pharmaceuticals y Exscientia, junto a Insilico Medicine, tienen candidatos a fármacos en ensayos clínicos reales generados íntegramente con sistemas de inteligencia artificial.
Laboratorios sin piloto: cómo funcionan los sistemas «self-driving»
La revisión en *Pharmacological Reviews* describe lo que el sector denomina laboratorios «self-driving»: instalaciones donde el sistema ejecuta experimentos físicos, lee los resultados y decide el siguiente paso experimental sin que un científico intervenga en cada ciclo.
No se trata de automatización robótica convencional. El componente crítico es el bucle de retroalimentación: el modelo aprende de cada experimento fallido y recalibra la hipótesis siguiente. Es el mismo principio que usa un sistema de navegación cuando recalcula la ruta, pero aplicado a química medicinal.
El resultado práctico es una compresión radical del tiempo entre hipótesis y dato. Tareas que antes consumían semanas de trabajo manual se resuelven en horas de cómputo.
El cuello de botella que la tecnología no puede resolver sola: FDA y EMA
La revisión identifica con precisión dónde se ha desplazado el obstáculo principal. Ya no es la capacidad tecnológica: es la ausencia de marcos regulatorios adaptados.
Tanto la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) como la Agencia Europea de Medicamentos (EMA) están todavía definiendo cómo evaluar y aprobar fármacos cuyo diseño molecular fue generado por un algoritmo. Los procesos de validación actuales asumen que un investigador humano tomó las decisiones de diseño y puede explicarlas.
Cuando esa cadena de decisiones la ejecutó un modelo de aprendizaje automático, los reguladores se enfrentan a preguntas sin respuesta normativa: ¿quién firma la responsabilidad del diseño?, ¿cómo se audita la lógica interna del sistema?, ¿qué documentación sustituye al cuaderno de laboratorio tradicional?
Hasta que FDA y EMA establezcan esos marcos, los candidatos generados por IA seguirán entrando a ensayos clínicos bajo los mismos procedimientos diseñados para fármacos de origen humano, con toda la fricción que eso implica.
El nuevo equilibrio entre Recursion, Exscientia e Insilico en el sector farmacéutico
Las tres compañías mencionadas en la revisión representan modelos de negocio distintos dentro del mismo enfoque. Recursion Pharmaceuticals combina biología celular a gran escala con visión computacional para mapear relaciones entre enfermedades y moléculas. Exscientia se especializa en diseño de fármacos de precisión asistido por IA y ha colaborado con grandes farmacéuticas tradicionales. Insilico Medicine opera con un modelo más integrado, desde la identificación de dianas hasta la generación de moléculas candidatas.
Los tres tienen en común que sus tuberías de desarrollo no dependen de la intuición del químico medicinal para generar candidatos iniciales. Eso cambia la estructura de costes del descubrimiento temprano, aunque no elimina los gastos de los ensayos clínicos, que siguen siendo la parte más cara del proceso.
Qué vigilar si trabajas en investigación farmacéutica o inviertes en el sector
La revisión en *Pharmacological Reviews* deja cuatro implicaciones concretas para quienes operan en este espacio:
Primero, el cuello de botella se ha desplazado. La fase de descubrimiento ya no es donde se pierde más tiempo ni, potencialmente, más dinero. La atención debe ir a la fase regulatoria y a los ensayos clínicos.
Segundo, los laboratorios «self-driving» no son ciencia ficción ni proyectos piloto: están operativos en empresas con candidatos en ensayos reales. Quien evalúe competidores o socios en el sector debe preguntar si su pipeline de descubrimiento sigue siendo manual.
Tercero, la posición de FDA y EMA sobre fármacos diseñados por IA es el factor externo con mayor capacidad de acelerar o frenar el sector en los próximos años. Cualquier actualización normativa de estas dos agencias tendrá impacto directo en los plazos de comercialización.
Cuarto, la pregunta sobre confianza en medicamentos diseñados por IA se responde con ensayos clínicos, no con el origen del diseño. Si los datos de seguridad y eficacia son sólidos, el mecanismo de generación de la molécula es, desde el punto de vista del paciente, irrelevante.
Tres escenarios para el descubrimiento farmacéutico en la próxima década
El escenario más probable a corto plazo es una coexistencia: los laboratorios «self-driving» dominan el descubrimiento temprano, pero los ensayos clínicos siguen siendo el filtro humano y regulatorio que determina qué llega al mercado.
Si FDA y EMA actualizan sus marcos antes de 2027, el ciclo completo podría comprimirse de forma significativa para indicaciones específicas, especialmente enfermedades raras donde los ensayos son más pequeños y manejables.
El escenario más incierto es el de la responsabilidad legal: si un fármaco diseñado por IA causa daño en ensayos o en el mercado, los tribunales y los reguladores tendrán que resolver quién responde. Esa pregunta sin respuesta es, hoy, el riesgo sistémico más subestimado del sector.
Imagen ilustrativa generada con inteligencia artificial.
Fuente original: Nature
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
