{"id":749,"date":"2025-06-16T16:44:51","date_gmt":"2025-06-16T14:44:51","guid":{"rendered":"https:\/\/syoligo.sylentis.com\/?p=749"},"modified":"2025-06-16T16:44:51","modified_gmt":"2025-06-16T14:44:51","slug":"diseno-de-farmacos-asistido-por-ia-realidades-retos-y-perspectivas-futuras","status":"publish","type":"post","link":"https:\/\/syoligo.sylentis.com\/es\/diseno-de-farmacos-asistido-por-ia-realidades-retos-y-perspectivas-futuras\/","title":{"rendered":"Dise\u00f1o de F\u00e1rmacos Asistido por IA: Realidades, Retos y Perspectivas Futuras"},"content":{"rendered":"

Durante d\u00e9cadas, la b\u00fasqueda y optimizaci\u00f3n de nuevos agentes terap\u00e9uticos se ha basado en un proceso arduo, costoso y, en buena medida, estoc\u00e1stico. Sin embargo, en los \u00faltimos a\u00f1os, la inteligencia artificial (IA) ha irrumpido con fuerza en el dise\u00f1o racional de f\u00e1rmacos, 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.<\/strong><\/p>\n

Tamara Mart\u00ednez, <\/i>Gerente de I+D Sylentis (Grupo Pharma Mar)<\/i><\/p>\n

\u00bfQu\u00e9 est\u00e1 cambiando en el dise\u00f1o de f\u00e1rmacos?<\/h3>\n

El proceso cl\u00e1sico de drug discovery implica la identificaci\u00f3n de dianas biol\u00f3gicas, la generaci\u00f3n de compuestos candidatos, ensayos precl\u00ednicos y, eventualmente, estudios cl\u00ednicos. Cada etapa est\u00e1 llena de cuellos de botella que incrementan tiempos, costes y tasas de fallo. Menos del 10% de los f\u00e1rmacos que entran en ensayos cl\u00ednicos llegan al mercado.<\/p>\n

La IA, utilizando machine learning (ML), deep learning (DL) y t\u00e9cnicas de modelado generativo y computacional, permite acelerar dr\u00e1sticamente estas fases. Al entrenar modelos sobre datasets masivos de bioactividad, propiedades ADME\/Tox y estructuras moleculares, es posible predecir propiedades farmacol\u00f3gicas, optimizar mol\u00e9culas in silico, y priorizar candidatos con mayor probabilidad de \u00e9xito en humanos.<\/p>\n

Ejemplos reales<\/h3>\n
    \n
  • Insilico Medicine<\/strong>: utiliz\u00f3 IA generativa para dise\u00f1ar un inhibidor de DDR1 contra fibrosis pulmonar, pasando de objetivo a candidato precl\u00ednico en solo 18 meses. Actualmente, como se muestra en la tabla ha terminado la fase cl\u00ednica IIa.<\/li>\n
  • DeepMind AlphaFold<\/strong>: resolvi\u00f3 estructuras de prote\u00ednas con precisi\u00f3n casi experimental, eliminando una de las grandes incertidumbres del dise\u00f1o estructural de f\u00e1rmacos.<\/li>\n
  • Exscientia<\/strong>: ha llevado m\u00faltiples mol\u00e9culas dise\u00f1adas por IA a ensayos cl\u00ednicos en oncolog\u00eda y neurociencia, validando la eficiencia del enfoque. Fue pionera con la mol\u00e9cula DSP-1181, considerada el primer f\u00e1rmaco dise\u00f1ado por IA en entrar en ensayos cl\u00ednicos. El tiempo desde su descubrimiento hasta la cl\u00ednica fue de 12 meses, aunque posteriormente la compa\u00f1\u00eda detuvo su desarrollo.<\/li>\n<\/ul>\n

    A continuaci\u00f3n, se recogen f\u00e1rmacos dise\u00f1ados por IA y su estado de desarrollo cl\u00ednico a cierre de abril de 2025.<\/p>\n

    \"\"<\/p>\n

    \u00bfC\u00f3mo funciona en la pr\u00e1ctica?<\/h3>\n

    Las principales aplicaciones de la IA en el descubrimiento de f\u00e1rmacos incluyen:<\/p>\n

      \n
    • Identificaci\u00f3n de dianas terap\u00e9uticas<\/strong>: An\u00e1lisis de datos \u00f3micos mediante redes neuronales para predecir nuevas dianas biol\u00f3gicas relevantes en patolog\u00eda humana.<\/li>\n
    • Dise\u00f1o de mol\u00e9culas de novo<\/strong>: Utilizaci\u00f3n de redes generativas adversarias (GANs) o transformers moleculares para crear nuevas estructuras qu\u00edmicas optimizadas para par\u00e1metros farmacodin\u00e1micos y farmacocin\u00e9ticos espec\u00edficos.<\/li>\n
    • Predicci\u00f3n de propiedades<\/strong>: Modelos QSAR avanzados, combinados con aprendizaje profundo, permiten prever solubilidad, permeabilidad, metabolismo hep\u00e1tico, toxicidad hep\u00e1tica y cardiotoxicidad, entre otros.<\/li>\n
    • Optimizaci\u00f3n de leads<\/strong>: Algoritmos de optimizaci\u00f3n bayesiana o m\u00e9todos de evoluci\u00f3n gen\u00e9tica gu\u00edan la mejora iterativa de compuestos con base en m\u00faltiples objetivos.<\/li>\n
    • Optimizaci\u00f3n de dise\u00f1o en los ensayos cl\u00ednicos, y simulaci\u00f3n de ensayos cl\u00ednicos virtuales<\/strong>: Modelado poblacional para prever resultados de eficacia y seguridad en cohortes digitales, reduciendo la necesidad de estudios precl\u00ednicos extensivos.<\/li>\n
    • Optimizaci\u00f3n de la fabricaci\u00f3n, la mejora y control de procesos<\/strong> v\u00eda IA, el Internet de las cosas (IoT) y la automatizaci\u00f3n est\u00e1n remodelando la manufactura para optimizar la fabricaci\u00f3n, el control de procesos y la eficiencia medioambiental. Esto puede ayudar a resolver ineficiencias operativas y oportunidades de crecimiento perdidas. Los algoritmos de planificaci\u00f3n retrosint\u00e9tica, como los basados en Graph Neural Networks o transformers qu\u00edmicos permiten dise\u00f1ar rutas sint\u00e9ticas m\u00e1s limpias y la predicci\u00f3n de condiciones \u00f3ptimas de reacci\u00f3n.<\/li>\n
    • S\u00edntesis automatizada inteligente<\/strong>: Aqu\u00ed 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 s\u00edntesis reduciendo el consumo de energ\u00eda y disolventes mediante aprendizaje reforzado (reinforcement learning) permitiendo predecir una escalabilidad m\u00e1s sostenible; y uso de gemelos digitales o modelos de predicci\u00f3n de demanda que pueden ayudar a aumentar la eficiencia de la s\u00edntesis.<\/li>\n<\/ul>\n

      Retos pendientes<\/h3>\n

      A pesar de los avances, persisten numerosos desaf\u00edos t\u00e9cnicos y \u00e9ticos:<\/p>\n

      Calidad y sesgo de los datos<\/strong>: Muchos datasets p\u00fablicos (por ejemplo, ChEMBL, PubChem) contienen errores, sesgos de publicaci\u00f3n positiva, o carecen de heterogeneidad cl\u00ednica suficiente. La \u00abcalidad de entrada\u00bb, curado de datos y su normalizaci\u00f3n sigue limitando la robustez de los modelos.<\/p>\n

      Interpretabilidad de los modelos<\/strong>: Algunos modelos son actualmente una \u00abcaja negra\u00bb. 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 farmac\u00e9utica.<\/p>\n

      Validaci\u00f3n experimental<\/strong>: El \u00e9xito in silico no siempre se traduce en \u00e9xito in vitro o in vivo. La validaci\u00f3n biol\u00f3gica sigue siendo imprescindible. Se deben retroalimentar los modelos con los datos desde el \u00e9xito cl\u00ednico hacia atr\u00e1s. La creaci\u00f3n de plataformas federadas y normalizaci\u00f3n de datos para retroalimentaci\u00f3n de modelos ayudar\u00eda a dar este salto. Permitir\u00eda el entrenamiento de modelos m\u00e1s potentes, robustos y generalizables sin quebrantar la privacidad o el secreto industrial. Esto reducir\u00eda los sesgos poblacionales y aumentar\u00eda la confianza de los reguladores, sin embargo, los datos se encuentran en silos, son heterog\u00e9neos y existen importantes problemas de confidencialidad y compliance (GDPR, HIPAA) para las compa\u00f1\u00edas.<\/p>\n

      Aspectos regulatorios<\/strong>: Los marcos regulatorios actuales (EMA, FDA) a\u00fan est\u00e1n adapt\u00e1ndose a f\u00e1rmacos Manejo de datos 56 farmaBIOTEC #19 dise\u00f1ados por sistemas automatizados, especialmente en lo relativo a trazabilidad y responsabilidad de los resultados. Europa lidera la regulaci\u00f3n con Ley IA (Reglamento (UE) 2024\/1689) en desarrollo incremental por el que se establecen normas armonizadas sobre inteligencia artificial. Es el primer marco jur\u00eddico exhaustivo sobre IA en todo el mundo.<\/p>\n

      Consideraciones \u00e9ticas: La asignaci\u00f3n de propiedad intelectual sobre mol\u00e9culas dise\u00f1adas aut\u00f3nomamente por IA plantea interrogantes legales y bio\u00e9ticos no resueltos.<\/p>\n

      \"\"<\/p>\n

      Tendencias futuras<\/h3>\n

      Las principales l\u00edneas de innovaci\u00f3n en el sector se orientan hacia:<\/p>\n

      \u2022 Modelos multimodales<\/strong>: Integraci\u00f3n de datos estructurales, \u00f3micos, cl\u00ednicos e imagenol\u00f3gicos para construir representaciones m\u00e1s hol\u00edsticas de enfermedades y dianas.<\/p>\n

      \u2022 IA explicable y causal<\/strong>: Sistemas capaces de razonar expl\u00edcitamente sobre las decisiones de dise\u00f1o molecular, aumentando la confianza en entornos cl\u00ednicos y regulatorios.<\/p>\n

      \u2022 Simulaci\u00f3n de tejidos y \u00f3rganos virtuales<\/strong>: Modelado computacional de \u00f3rganos humanos para predecir toxicidad y eficacia antes de pasar a ensayos cl\u00ednicos reales.<\/p>\n

      \u2022 Automatizaci\u00f3n end-to-end<\/strong>: Desde la identificaci\u00f3n de dianas hasta la s\u00edntesis automatizada de compuestos, creando verdaderas \u00abf\u00e1bricas de mol\u00e9culas\u00bb basadas en IA.<\/p>\n

      \u2022 Drug repurposing a escala<\/strong>: Utilizaci\u00f3n masiva de ML para reanalizar bases de datos de f\u00e1rmacos existentes en busca de nuevas indicaciones terap\u00e9uticas, estrategia crucial en contextos como enfermedades raras o pandemias.<\/p>\n

      Panorama en Espa\u00f1a, Europa y EE.UU.<\/h3>\n

      Espa\u00f1a<\/strong>: Se observan esfuerzos crecientes, aunque a\u00fan 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 compa\u00f1\u00edas como Sylentis (grupo Pharma Mar, Madrid) integran IA en sus pipelines para el desarrollo de f\u00e1rmacos.<\/p>\n

      Adem\u00e1s, mediante el proyecto SYOLIGO de Sylentis, calificado como Proyecto Importante de Inter\u00e9s Com\u00fan Europeo (IPCEI) la compa\u00f1\u00eda est\u00e1 ampliando sus capacidades y prediciendo candidatos para incrementar su pipeline.<\/p>\n

      Europa<\/strong>: Horizonte Europa dedica fondos sustanciales a proyectos de IA en biomedicina, pero persisten retos de fragmentaci\u00f3n entre Estados miembros, falta de un mercado digital com\u00fan real y menor disponibilidad de datos cl\u00ednicos respecto a EE. UU que esperamos puedan resolverse con el Reglamento relativo al Espacio Europeo de Datos de Salud (EEDS).<\/p>\n

      EE.UU.<\/strong>: Liderazgo incuestionable. Empresas como Atomwise, Recursion Pharmaceuticals, BenevolentAI y los laboratorios de Google DeepMind marcan el ritmo. La estrecha colaboraci\u00f3n entre academia, industria y agencias regulatorias favorece una r\u00e1pida traslaci\u00f3n de la innovaci\u00f3n al mercado.<\/p>\n

      Asia<\/strong>: Debate el liderazgo a EE. UU. Empresas como InSilico Medicine (China), basada en qu\u00edmica computacional, XtalPi (China): combinaci\u00f3n de f\u00edsica cu\u00e1ntica, IA y automatizaci\u00f3n para descubrir y optimizar mol\u00e9culas bioactivas. PeptiDream (Jap\u00f3n): selecci\u00f3n de p\u00e9ptidos basada en IA para oncolog\u00eda y enfermedades infeccionas o las coreana Standigm: Dise\u00f1o de nuevas mol\u00e9cula desde cero y optimizaci\u00f3n de pipelines en el descubrimiento de f\u00e1rmacos.<\/p>\n

      La integraci\u00f3n de la IA en el dise\u00f1o de medicamentos no es un \u00abplus\u00bb, sino un cambio de paradigma. La pr\u00f3xima generaci\u00f3n de f\u00e1rmacos ser\u00e1, inevitablemente, dise\u00f1ada, optimizada y validada con el apoyo de sistemas de IA cada vez m\u00e1s sofisticados.<\/p>\n

      Sin embargo, lejos de eliminar el rol humano, este cambio exige cient\u00edficos m\u00e1s integradores, capaces de dialogar con algoritmos, interpretar modelos, y trasladar la potencia predictiva de la m\u00e1quina al contexto cl\u00ednico y fisiopatol\u00f3gico real.<\/p>\n

      Estamos asistiendo al principio de una revoluci\u00f3n. La pregunta no es si la IA transformar\u00e1 el drug discovery, sino a qu\u00e9 velocidad, y qui\u00e9n sabr\u00e1 adaptarse primero. Quien controle la IA biom\u00e9dica hoy, controlar\u00e1 las terapias y los mercados de ma\u00f1ana.<\/p>\n","protected":false},"excerpt":{"rendered":"

      Durante d\u00e9cadas, la b\u00fasqueda y optimizaci\u00f3n de nuevos agentes terap\u00e9uticos se ha basado en un proceso arduo, costoso y, en buena medida, estoc\u00e1stico. Sin embargo, en los \u00faltimos a\u00f1os, la<\/p>\n","protected":false},"author":1,"featured_media":754,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"footnotes":""},"categories":[19],"tags":[],"class_list":["post-749","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/posts\/749","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/comments?post=749"}],"version-history":[{"count":1,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/posts\/749\/revisions"}],"predecessor-version":[{"id":756,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/posts\/749\/revisions\/756"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/media\/754"}],"wp:attachment":[{"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/media?parent=749"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/categories?post=749"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/syoligo.sylentis.com\/es\/wp-json\/wp\/v2\/tags?post=749"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}