Síguenos

Salud

La IA ya diseña fármacos y recorta años al laboratorio

Foto del avatar

Publicado

el

La IA ya diseña fármacos

La inteligencia artificial ya acelera la búsqueda de fármacos, transforma los ensayos clínicos y fuerza un giro regulatorio serio en Europa.

La inteligencia artificial ha dejado de ser un adorno futurista en la industria farmacéutica y se ha convertido en una herramienta de trabajo que ya está alterando el corazón del negocio: cómo se descubren, se seleccionan y se prueban los medicamentos. El movimiento no es pequeño ni anecdótico. Según el dossier difundido este 9 de marzo por la Agencia Italiana del Fármaco, el 62% de las farmacéuticas ya integra soluciones de IA en sus áreas de investigación y desarrollo, con una previsión de crecimiento del 45% en los próximos cinco años y un mercado mundial que avanza a un ritmo medio anual del 40%. Traducido a lenguaje menos técnico, más de media industria ya trabaja con algoritmos donde antes solo había ensayo, error y un calendario desesperadamente largo.

Lo que cambia no es solo la velocidad, aunque la velocidad importa mucho. Desarrollar un nuevo medicamento sigue siendo una carrera larguísima, con una media de diez años de trabajo y más de 2.000 millones de euros de inversión. Ahí es donde la IA entra como una especie de lupa industrial capaz de cribar compuestos, detectar dianas terapéuticas, estimar toxicidades y descartar callejones sin salida antes de que un laboratorio gaste tiempo, dinero y muestras en una pista equivocada. No sustituye al científico, pero sí le amplía el radio de acción de una forma brutal. Y lo relevante, lo verdaderamente relevante, es que esta transición ya no se está discutiendo en congresos como una promesa borrosa: ya está ocurriendo en los laboratorios, en los ensayos y en las agencias reguladoras.

El laboratorio ya no trabaja igual

La idea de la “investigación aumentada” resume bastante bien el momento. No se trata de que una máquina descubra sola un fármaco milagroso mientras el equipo humano mira desde la grada. Lo que está pasando es más concreto y, en el fondo, más importante: los sistemas de deep learning permiten revisar millones de compuestos en pocas horas, asociar estructuras químicas con posibles efectos terapéuticos y anticipar señales de fracaso en una fase temprana, incluso antes de que una molécula haya sido sintetizada físicamente. Ese cambio altera la economía completa del proceso. Si el descarte llega antes, el laboratorio malgasta menos recursos. Si el cribado es más fino, la probabilidad de llegar a una molécula útil mejora. Si se afinan los objetivos desde el principio, el recorrido posterior pesa menos.

En esa primera parte del viaje, donde la investigación farmacéutica siempre se pareció un poco a buscar una llave correcta en un almacén lleno de cerraduras equivocadas, la IA está funcionando como un motor de clasificación. El propio material manejado por AIFA sostiene que esta automatización de la búsqueda puede reducir el tiempo de llegada al mercado un 30%, elevar la productividad un 40% y recortar un 25% los costes de ingeniería, cifras que explican por qué el sector se ha lanzado con tanta rapidez a integrar plataformas algorítmicas en I+D. No porque suene moderno. Porque, simplemente, el modelo tradicional es demasiado lento y demasiado caro para una industria que fracasa mucho, acierta poco y paga cada desvío a precio de oro.

Del algoritmo al candidato real

La mejor forma de medir si una transformación va en serio es mirar si produce casos tangibles. Aquí ya los hay. La conversación dejó de girar solo alrededor de modelos teóricos y promesas de consultora cuando empezaron a aparecer candidatos diseñados o descubiertos con IA que de verdad alcanzaban fases clínicas avanzadas. Ese detalle cambia el tono de todo. Una cosa es usar algoritmos para ordenar literatura científica o resumir bases de datos; otra, mucho más ambiciosa, es que el algoritmo participe en la identificación de una diana terapéutica y en el diseño de una molécula que luego llegue a ensayo en humanos. Ahí la tecnología deja de ser asistente y pasa a formar parte del núcleo creativo del desarrollo farmacéutico.

Rentosertib, la prueba que cambió el tono

El ejemplo más citado en este momento es rentosertib, antes conocido como ISM001-055, orientado a la fibrosis pulmonar idiopática. En 2025, Nature Medicine publicó los resultados de un ensayo fase 2a multicéntrico, aleatorizado, doble ciego y controlado con placebo que evaluó este compuesto como un inhibidor de TNIK descubierto mediante IA generativa. El estudio distribuyó a los participantes en cuatro grupos durante 12 semanas de tratamiento y convirtió a rentosertib en una referencia inevitable porque por primera vez una molécula presentada como AI-discovered daba un paso clínico de ese calibre con resultados publicados en una revista de máximo nivel. En un sector acostumbrado a los titulares exuberantes y a la letra pequeña decepcionante, ese avance fue leído como una señal seria: la IA ya no solo ayuda a ordenar, también puede ayudar a inventar.

Hay otro caso que conviene mencionar precisamente porque introduce el matiz que a menudo se pierde cuando el tema se convierte en eslogan. REC-994, candidato de Recursion para la malformación cavernosa cerebral, llegó a mostrar señales prometedoras de seguridad y alguna tendencia favorable en fase 2. Sin embargo, el análisis posterior de la extensión a largo plazo no sostuvo esos indicios y el programa terminó interrumpiéndose en mayo de 2025. La lección es valiosa. La IA no elimina el fracaso farmacéutico, ni convierte cada hallazgo computacional en medicamento aprobado. Lo que hace es mejorar la selección inicial, ahorrar rodeos, detectar mejor qué merece avanzar y qué no. A veces la noticia no es que un compuesto llegue a meta, sino que el sistema permita dejar de perseguir antes una pista que no iba a ninguna parte. También eso, aunque suene menos brillante, es progreso.

El cuello de botella de los ensayos se está abriendo

Si hay una zona del proceso farmacéutico donde casi todo se encarece y se atasca, esa es la de los ensayos clínicos. Reclutar pacientes adecuados, verificar criterios de inclusión y exclusión, revisar historiales, localizar centros y encajar calendarios ha sido durante años una mezcla de burocracia, medicina y resistencia al desgaste. AIFA pone el foco justamente ahí y no por casualidad. El reclutamiento es uno de los grandes puntos de fricción del sistema, el lugar donde proyectos válidos pueden tardar meses en arrancar o perder impulso por pura inercia administrativa. La IA está entrando en ese embudo con una promesa muy concreta: reducir tiempo muerto sin tocar la exigencia científica.

TrialGPT, gemelos digitales y cribado masivo

Entre las herramientas más observadas figura TrialGPT, un sistema presentado en Nature Communications y desarrollado en el entorno de la National Library of Medicine para el emparejamiento entre pacientes y ensayos clínicos. En la evaluación publicada, el modelo trabajó con 183 pacientes sintéticos y más de 75.000 anotaciones de ensayos; fue capaz de recuperar más del 90% de los estudios relevantes usando menos del 6% del conjunto inicial, alcanzó una precisión del 87,3% en la predicción de elegibilidad a nivel de criterio y redujo el tiempo de cribado en un 42,6% en la prueba con usuarios. No son cifras decorativas. Son exactamente el tipo de indicadores que explican por qué estas plataformas interesan tanto: porque atacan un problema real, costoso y viejísimo. A esa misma lógica responden los llamados “trial virtuales”, los gemelos digitales y otras simulaciones in silico que permiten modelar respuestas terapéuticas antes de pasar por fases preliminares más pesadas. No sustituyen el ensayo real, pero sí ayudan a afinar diseño, reclutamiento y riesgo antes de quemar pólvora clínica.

Aquí aparece otra derivada especialmente relevante: la IA no solo sirve para encontrar candidatos a estudio, también para reordenar la lógica del ensayo. Si un sistema cruza datos clínicos, genéticos y de respuesta previa con suficiente calidad, la selección deja de apoyarse tanto en categorías gruesas y empieza a moverse en un terreno más fino, casi artesanal, aunque detrás haya una maquinaria estadística enorme. Es un desplazamiento importante. Menos pacientes mal asignados, menos centros reclutando a ciegas, menos meses perdidos esperando perfiles que no llegan. Y, de fondo, una consecuencia que la industria conoce demasiado bien: cuando un ensayo se retrasa, todo lo demás se retrasa detrás.

La medicina personalizada deja de ser promesa

Otra de las zonas donde la IA está empujando con más fuerza es la medicina de precisión. El dossier de AIFA insiste en que el cruce de datos clínicos, genéticos y ambientales permite abandonar el modelo de tratamiento uniforme, esa vieja lógica de “talla única” que durante años ha sido útil para estandarizar decisiones, pero demasiado tosca para describir cómo responden personas distintas a una misma terapia. La IA aparece aquí como una herramienta de ajuste fino. Puede ayudar a predecir mejor toxicidades, a detectar subgrupos de respuesta, a evitar tratamientos inútiles y a reasignar recursos hacia estrategias terapéuticas con más probabilidades de funcionar. Visto así, el cambio no es una floritura tecnológica; es una alteración de la manera en que se entiende el propio acto de prescribir.

Dentro de ese bloque, AIFA señala campos especialmente sensibles, como las enfermedades neurodegenerativas y los trastornos psiquiátricos. La expectativa es alta porque hablamos de áreas donde el diagnóstico precoz, la estratificación de pacientes y la respuesta irregular a los tratamientos han sido, históricamente, un quebradero de cabeza. Modelos entrenados para detectar patrones tempranos de Alzheimer o Parkinson, o para ajustar terapias en depresión y esquizofrenia, forman parte del horizonte más inmediato que dibuja la agencia italiana. No significa que exista una solución cerrada ni un algoritmo infalible, pero sí que el terreno más complejo de la medicina —ese en el que síntomas, biología y evolución clínica no encajan nunca del todo— es también uno de los que más puede beneficiarse de sistemas capaces de leer relaciones invisibles a simple vista.

En paralelo, gana peso el drug repurposing, es decir, la búsqueda de nuevas indicaciones terapéuticas para fármacos ya aprobados. La lógica es muy potente: si un medicamento ya ha superado parte del camino de seguridad y fabricación, encontrarle un nuevo uso con apoyo algorítmico puede reducir plazos, riesgo regulatorio y coste total del desarrollo. No siempre saldrá bien, claro. Pero el atractivo industrial es evidente. Frente al descubrimiento desde cero, que consume años y capital como una caldera insaciable, el reposicionamiento abre una vía más rápida y, muchas veces, más realista. La IA se mueve especialmente bien en ese terreno, porque puede rastrear relaciones entre dianas, rutas biológicas, historiales clínicos y resultados previos que a menudo quedaban dispersos en miles de publicaciones y bases de datos.

Europa quiere acelerar sin perder el control

Todo esto no ocurre en un vacío. Cuanto más se mete la IA en el desarrollo farmacéutico, más presión sienten las agencias que autorizan, supervisan y evalúan medicamentos. La Agencia Europea de Medicamentos ya tiene desplegado un plan de trabajo 2025-2028 con cuatro áreas claras: guía y apoyo normativo, herramientas y tecnología, colaboración y gestión del cambio y experimentación coordinada. En paralelo, la propia EMA sostiene que la IA puede ayudar a aprovechar grandes volúmenes de datos regulatorios y sanitarios, apoyar la toma de decisiones y favorecer la llegada más rápida de medicamentos seguros, eficaces y de calidad. No es una nota de color institucional. Es una señal de que el regulador europeo asume que el cambio ya está dentro de la casa y no en la puerta.

Ese movimiento dio un paso más el 14 de enero de 2026, cuando EMA y FDA publicaron diez principios comunes de buena práctica para el uso de IA a lo largo de todo el ciclo de vida del medicamento, desde la investigación temprana hasta la fabricación y la farmacovigilancia. En esos principios aparecen ideas que van a marcar los próximos años: diseño centrado en las personas, enfoque basado en riesgo, adhesión a estándares técnicos y regulatorios, contexto de uso bien definido, gobernanza y trazabilidad de los datos, validación proporcional al riesgo del modelo, supervisión continua, información clara sobre limitaciones y rendimiento. En otras palabras, Europa y Estados Unidos están diciendo algo bastante simple y bastante serio: sí a la IA, pero no como caja negra ni como atajo opaco.

Esa es, en realidad, la gran discusión de fondo. No si la IA sirve, porque a estas alturas la evidencia apunta a que sí sirve en muchos tramos del proceso. La cuestión es cómo se valida, cómo se audita, quién responde cuando falla, qué sesgos arrastra, qué calidad tienen los datos que la alimentan y hasta qué punto la decisión final sigue siendo humana. AIFA lo formula con bastante claridad al subrayar que los algoritmos deben ser transparentes, explicables y validados, que las infraestructuras tienen que ser seguras e interoperables y que la innovación no puede desligarse de ética, seguridad y responsabilidad compartida. Robert Nisticò, presidente de la agencia, lo resumió con una frase que ha quedado como la imagen más repetida del dossier: la IA puede hacer la medicina más humana si sigue al servicio del paciente. Ahí está la frontera. No en la potencia del algoritmo, sino en quién manda realmente cuando el algoritmo entra en la sala.

El nuevo mapa del medicamento

La noticia de verdad no es solo que la IA acelere procesos. La noticia es que está redibujando la cadena completa del medicamento, desde la búsqueda inicial de moléculas hasta la evaluación regulatoria, pasando por el diseño experimental, la selección de pacientes y la práctica clínica más personalizada. En ese nuevo mapa hacen falta perfiles que antes no eran habituales. AIFA insiste en ello y menciona la necesidad de médicos capaces de dialogar con científicos de datos e ingenieros que entiendan biología y contexto clínico. También apunta a que universidades como el Politécnico de Milán, La Sapienza o la Scuola Superiore Sant’Anna de Pisa ya se están moviendo hacia programas y recorridos formativos donde bioinformática, salud digital e IA aplicada dejan de ir por carriles separados. Es una pista muy útil para entender el calibre del cambio: cuando una innovación obliga a rehacer la formación, es que ha dejado de ser una tendencia y se ha convertido en estructura.

Lo que viene, en fin, no es un laboratorio sin personas ni una medicina entregada a una máquina que dicta sentencias. No va de eso. Va de una industria que intenta recortar desperdicio, mejorar puntería y llegar antes a terapias útiles sin rebajar los controles que sostienen la confianza pública. Va de rentosertib como prueba de que el salto clínico existe, de REC-994 como recordatorio de que el fracaso sigue ahí, de TrialGPT y los cribados masivos como solución a un atasco muy concreto, y de una Europa regulatoria que ha entendido que no basta con mirar. Hay que ordenar, validar, vigilar. La IA ya está metida en la cocina del medicamento. La diferencia, a partir de aquí, la marcará quién sea capaz de combinar mejor tres cosas que rara vez avanzan al mismo ritmo: innovación, evidencia y control.

Newsletter

Fundador de DonPorqué y curioso empedernido. Escribe sobre tecnología, viajes, gastronomía, cultura y todo lo que le genera una pregunta con un buen «¿por qué?» detrás. En su tiempo libre es aficionado a los casinos online y aprovecha esa experiencia para compartir análisis y recomendaciones sobre el sector del iGaming.