Diseño de Fármacos Asistido por IA: Realidades, Retos y Perspectivas Futuras

Durante décadas, la búsqueda y optimización de nuevos agentes terapéuticos se ha basado en un proceso arduo, costoso y, en buena medida, estocástico. Sin embargo, en los últimos años, la inteligencia artificial (IA) ha irrumpido con fuerza en el diseño racional de fármacos, prometiendo transformar un sector tradicionalmente dominado por el ensayo y error en una disciplina predictiva y altamente eficiente. Queda camino por recorrer, pero la IA ha llegado para quedarse.

Tamara Martínez, Gerente de I+D Sylentis (Grupo Pharma Mar)

¿Qué está cambiando en el diseño de fármacos?

El proceso clásico de drug discovery implica la identificación de dianas biológicas, la generación de compuestos candidatos, ensayos preclínicos y, eventualmente, estudios clínicos. Cada etapa está llena de cuellos de botella que incrementan tiempos, costes y tasas de fallo. Menos del 10% de los fármacos que entran en ensayos clínicos llegan al mercado.

La IA, utilizando machine learning (ML), deep learning (DL) y técnicas de modelado generativo y computacional, permite acelerar drásticamente estas fases. Al entrenar modelos sobre datasets masivos de bioactividad, propiedades ADME/Tox y estructuras moleculares, es posible predecir propiedades farmacológicas, optimizar moléculas in silico, y priorizar candidatos con mayor probabilidad de éxito en humanos.

Ejemplos reales

• Insilico Medicine: utilizó IA generativa para diseñar un inhibidor de DDR1 contra fibrosis pulmonar, pasando de objetivo a candidato preclínico en solo 18 meses. Actualmente, como se muestra en la tabla ha terminado la fase clínica IIa.
• DeepMind AlphaFold: resolvió estructuras de proteínas con precisión casi experimental, eliminando una de las grandes incertidumbres del diseño estructural de fármacos.
• Exscientia: ha llevado múltiples moléculas diseñadas por IA a ensayos clínicos en oncología y neurociencia, validando la eficiencia del enfoque. Fue pionera con la molécula DSP-1181, considerada el primer fármaco diseñado por IA en entrar en ensayos clínicos. El tiempo desde su descubrimiento hasta la clínica fue de 12 meses, aunque posteriormente la compañía detuvo su desarrollo.

A continuación, se recogen fármacos diseñados por IA y su estado de desarrollo clínico a cierre de abril de 2025.

¿Cómo funciona en la práctica?

Las principales aplicaciones de la IA en el descubrimiento de fármacos incluyen:

• Identificación de dianas terapéuticas: Análisis de datos ómicos mediante redes neuronales para predecir nuevas dianas biológicas relevantes en patología humana.
• Diseño de moléculas de novo: Utilización de redes generativas adversarias (GANs) o transformers moleculares para crear nuevas estructuras químicas optimizadas para parámetros farmacodinámicos y farmacocinéticos específicos.
• Predicción de propiedades: Modelos QSAR avanzados, combinados con aprendizaje profundo, permiten prever solubilidad, permeabilidad, metabolismo hepático, toxicidad hepática y cardiotoxicidad, entre otros.
• Optimización de leads: Algoritmos de optimización bayesiana o métodos de evolución genética guían la mejora iterativa de compuestos con base en múltiples objetivos.
• Optimización de diseño en los ensayos clínicos, y simulación de ensayos clínicos virtuales: Modelado poblacional para prever resultados de eficacia y seguridad en cohortes digitales, reduciendo la necesidad de estudios preclínicos extensivos.
• Optimización de la fabricación, la mejora y control de procesos vía IA, el Internet de las cosas (IoT) y la automatización están remodelando la manufactura para optimizar la fabricación, el control de procesos y la eficiencia medioambiental. Esto puede ayudar a resolver ineficiencias operativas y oportunidades de crecimiento perdidas. Los algoritmos de planificación retrosintética, como los basados en Graph Neural Networks o transformers químicos permiten diseñar rutas sintéticas más limpias y la predicción de condiciones óptimas de reacción.
• Síntesis automatizada inteligente: Aquí se incluyen; Modelos de ML que pueden identificar catalizadores, disolventes y temperaturas mejorando la eficiencia y minimizando residuos; Plataformas de laboratorio robotizado guiadas por IA como DeepMatter o IBM RoboRXN que optimizan las condiciones de síntesis reduciendo el consumo de energía y disolventes mediante aprendizaje reforzado (reinforcement learning) permitiendo predecir una escalabilidad más sostenible; y uso de gemelos digitales o modelos de predicción de demanda que pueden ayudar a aumentar la eficiencia de la síntesis.

Retos pendientes

A pesar de los avances, persisten numerosos desafíos técnicos y éticos:

Calidad y sesgo de los datos: Muchos datasets públicos (por ejemplo, ChEMBL, PubChem) contienen errores, sesgos de publicación positiva, o carecen de heterogeneidad clínica suficiente. La «calidad de entrada», curado de datos y su normalización sigue limitando la robustez de los modelos.

Interpretabilidad de los modelos: Algunos modelos son actualmente una «caja negra». Las iniciativas de explainable AI (XAI) buscan hacer comprensibles las decisiones de los modelos, especialmente crucial en sectores regulados como es el de la industria farmacéutica.

Validación experimental: El éxito in silico no siempre se traduce en éxito in vitro o in vivo. La validación biológica sigue siendo imprescindible. Se deben retroalimentar los modelos con los datos desde el éxito clínico hacia atrás. La creación de plataformas federadas y normalización de datos para retroalimentación de modelos ayudaría a dar este salto. Permitiría el entrenamiento de modelos más potentes, robustos y generalizables sin quebrantar la privacidad o el secreto industrial. Esto reduciría los sesgos poblacionales y aumentaría la confianza de los reguladores, sin embargo, los datos se encuentran en silos, son heterogéneos y existen importantes problemas de confidencialidad y compliance (GDPR, HIPAA) para las compañías.

Aspectos regulatorios: Los marcos regulatorios actuales (EMA, FDA) aún están adaptándose a fármacos Manejo de datos 56 farmaBIOTEC #19 diseñados por sistemas automatizados, especialmente en lo relativo a trazabilidad y responsabilidad de los resultados. Europa lidera la regulación con Ley IA (Reglamento (UE) 2024/1689) en desarrollo incremental por el que se establecen normas armonizadas sobre inteligencia artificial. Es el primer marco jurídico exhaustivo sobre IA en todo el mundo.

Consideraciones éticas: La asignación de propiedad intelectual sobre moléculas diseñadas autónomamente por IA plantea interrogantes legales y bioéticos no resueltos.

Tendencias futuras

Las principales líneas de innovación en el sector se orientan hacia:

• Modelos multimodales: Integración de datos estructurales, ómicos, clínicos e imagenológicos para construir representaciones más holísticas de enfermedades y dianas.

• IA explicable y causal: Sistemas capaces de razonar explícitamente sobre las decisiones de diseño molecular, aumentando la confianza en entornos clínicos y regulatorios.

• Simulación de tejidos y órganos virtuales: Modelado computacional de órganos humanos para predecir toxicidad y eficacia antes de pasar a ensayos clínicos reales.

• Automatización end-to-end: Desde la identificación de dianas hasta la síntesis automatizada de compuestos, creando verdaderas «fábricas de moléculas» basadas en IA.

• Drug repurposing a escala: Utilización masiva de ML para reanalizar bases de datos de fármacos existentes en busca de nuevas indicaciones terapéuticas, estrategia crucial en contextos como enfermedades raras o pandemias.

Panorama en España, Europa y EE.UU.

España: Se observan esfuerzos crecientes, aunque aún limitados en escala, liderados por centros como el Barcelona Supercomputing Center (BSC), el CNIO y grupos universitarios como el de Bioinformatics Barcelona (BIB), Nostrum Biodiscovery, Omnios Lifecience (Barcelona). Startups como Innoplexus Iberia o compañías como Sylentis (grupo Pharma Mar, Madrid) integran IA en sus pipelines para el desarrollo de fármacos.

Además, mediante el proyecto SYOLIGO de Sylentis, calificado como Proyecto Importante de Interés Común Europeo (IPCEI) la compañía está ampliando sus capacidades y prediciendo candidatos para incrementar su pipeline.

Europa: Horizonte Europa dedica fondos sustanciales a proyectos de IA en biomedicina, pero persisten retos de fragmentación entre Estados miembros, falta de un mercado digital común real y menor disponibilidad de datos clínicos respecto a EE. UU que esperamos puedan resolverse con el Reglamento relativo al Espacio Europeo de Datos de Salud (EEDS).

EE.UU.: Liderazgo incuestionable. Empresas como Atomwise, Recursion Pharmaceuticals, BenevolentAI y los laboratorios de Google DeepMind marcan el ritmo. La estrecha colaboración entre academia, industria y agencias regulatorias favorece una rápida traslación de la innovación al mercado.

Asia: Debate el liderazgo a EE. UU. Empresas como InSilico Medicine (China), basada en química computacional, XtalPi (China): combinación de física cuántica, IA y automatización para descubrir y optimizar moléculas bioactivas. PeptiDream (Japón): selección de péptidos basada en IA para oncología y enfermedades infeccionas o las coreana Standigm: Diseño de nuevas molécula desde cero y optimización de pipelines en el descubrimiento de fármacos.

La integración de la IA en el diseño de medicamentos no es un «plus», sino un cambio de paradigma. La próxima generación de fármacos será, inevitablemente, diseñada, optimizada y validada con el apoyo de sistemas de IA cada vez más sofisticados.

Sin embargo, lejos de eliminar el rol humano, este cambio exige científicos más integradores, capaces de dialogar con algoritmos, interpretar modelos, y trasladar la potencia predictiva de la máquina al contexto clínico y fisiopatológico real.

Estamos asistiendo al principio de una revolución. La pregunta no es si la IA transformará el drug discovery, sino a qué velocidad, y quién sabrá adaptarse primero. Quien controle la IA biomédica hoy, controlará las terapias y los mercados de mañana.