La IA aún no puede descubrir medicamentos por sí sola: una prueba con 10.000 compuestos no produjo ningún fármaco viable
Las grandes compañías tecnológicas han presentado la inteligencia artificial como una herramienta capaz de transformar la medicina y acelerar la cura de enfermedades como el cáncer o el Alzheimer. Sin embargo, la experiencia de Vertex, una de las principales farmacéuticas del mundo, refleja una realidad mucho más prudente: la IA puede ayudar a los investigadores, pero todavía está lejos de sustituirlos.
Jeff Leiden, presidente de Vertex, ha explicado que la compañía trabajó con aproximadamente 50 empresas especializadas en inteligencia artificial para analizar una base de datos formada por unos 10.000 compuestos farmacológicos. El resultado fue concluyente: ninguno de los modelos logró desarrollar un medicamento viable.
El experimento no demuestra que la IA carezca de utilidad en la industria farmacéutica. Sí evidencia, en cambio, que las promesas más ambiciosas de los laboratorios tecnológicos no se corresponden todavía con las capacidades reales de estas herramientas en el desarrollo de nuevos tratamientos.
De las promesas de Silicon Valley a la realidad del laboratorio
Los máximos responsables de algunas de las principales empresas de inteligencia artificial han defendido que esta tecnología podría acelerar de forma radical la investigación médica. Dario Amodei, consejero delegado de Anthropic, ha llegado a plantear que la IA podría contribuir a curar la mayoría de las grandes enfermedades durante los próximos cinco o diez años.
Demis Hassabis, responsable de Google DeepMind, también ha expresado su confianza en que la inteligencia artificial permita avanzar hacia la cura de todas las enfermedades durante la próxima década. Sam Altman, director ejecutivo de OpenAI, ha señalado por su parte su deseo de que los progresos tecnológicos ayuden a encontrar tratamientos para el cáncer y el Alzheimer.
Estas previsiones reflejan el potencial de la tecnología, pero no deben confundirse con resultados médicos demostrados. Diseñar un candidato a fármaco es solo el primer paso de un proceso largo, caro y sometido a controles científicos y regulatorios muy estrictos.
Encontrar una molécula prometedora no es suficiente
Los sistemas de IA son especialmente eficaces al analizar grandes cantidades de información. Pueden detectar patrones en bases de datos biomédicas, identificar posibles dianas terapéuticas —proteínas o mecanismos biológicos sobre los que actúa un tratamiento—, predecir la estructura de proteínas y proponer moléculas que podrían interactuar con ellas.
El problema aparece cuando hay que trasladar esas predicciones a un organismo humano. Una molécula puede encajar correctamente con una proteína concreta en una simulación y, aun así, comportarse de forma inesperada al entrar en contacto con células, órganos y procesos biológicos reales.
El cuerpo humano no funciona como un conjunto de piezas aisladas. En él intervienen miles de procesos conectados entre sí, con relaciones que todavía no se comprenden por completo. Una modificación aparentemente beneficiosa en una ruta biológica puede desencadenar efectos secundarios en otra.
Además, los modelos de IA dependen de la calidad y del alcance de los datos con los que han sido entrenados. Si una base de datos es incompleta, contiene sesgos o no representa adecuadamente la diversidad de pacientes, las predicciones pueden resultar poco fiables. La precisión estadística de un modelo no equivale a una garantía clínica.
Los ensayos clínicos siguen siendo imprescindibles
Aunque una inteligencia artificial proponga una molécula prometedora y anticipe que será eficaz y segura, el compuesto debe superar varias etapas de investigación. Primero se realizan estudios preclínicos, normalmente en laboratorio y con modelos biológicos, para evaluar su toxicidad, su comportamiento y una posible eficacia.
Después llegan los ensayos clínicos con personas. Estas investigaciones se dividen en varias fases y analizan aspectos como la dosis adecuada, la seguridad, los efectos adversos y la capacidad real del tratamiento para mejorar la salud de los pacientes.
El proceso puede prolongarse durante años. También es habitual que muchos candidatos queden descartados en fases avanzadas, incluso después de haber mostrado resultados alentadores en las primeras pruebas. Por eso, acelerar la identificación de moléculas candidatas no implica necesariamente aumentar en la misma proporción el número de medicamentos que llega al mercado.
La IA como copiloto de los investigadores
La conclusión de Vertex encaja con la visión más conservadora que mantiene buena parte de la industria farmacéutica. La inteligencia artificial puede reducir el tiempo necesario para analizar información, sugerir líneas de investigación y ayudar a priorizar experimentos, pero todavía necesita la supervisión de científicos con experiencia.
En este contexto, la IA actúa como un copiloto de la investigación farmacéutica. Puede procesar datos a una escala inalcanzable para una persona y ofrecer hipótesis útiles, pero no comprende por completo la biología humana ni puede validar por sí sola la seguridad de un medicamento.
La tecnología tendrá previsiblemente un papel cada vez más relevante en el descubrimiento de fármacos, el diseño de proteínas y la medicina personalizada. No obstante, las pruebas realizadas hasta ahora aconsejan rebajar las expectativas: la IA puede acelerar determinadas tareas, pero no ha demostrado que pueda descubrir nuevos medicamentos de forma autónoma ni, mucho menos, curar por sí sola enfermedades complejas.
