La inteligencia artificial empieza a ocupar un lugar cada vez más importante en una de las etapas más complejas y costosas de la industria farmacéutica: el descubrimiento de nuevos medicamentos. Las grandes compañías están incrementando sus inversiones en software, secuenciación y métodos computacionales con el objetivo de acelerar la investigación, reducir costos y aumentar la cantidad de candidatos que llegan a las siguientes etapas de desarrollo.

El cambio no se limita a la automatización de tareas. Las nuevas herramientas permiten analizar grandes volúmenes de información biológica, identificar posibles blancos terapéuticos, explorar moléculas y simular determinados comportamientos de un compuesto antes de llevarlo al laboratorio. De esta manera, la computadora comienza a tener un papel cada vez más relevante en decisiones que históricamente dependieron en gran medida del trabajo experimental.

Una encuesta realizada por la firma de investigación TD Cowen entre 80 líderes y especialistas de la industria muestra la magnitud de las expectativas. Según sus resultados, la inteligencia artificial podría reducir hasta un 70% los costos y los plazos asociados al desarrollo preclínico de medicamentos.

El potencial económico detrás de esta transformación es significativo. El desarrollo de un nuevo fármaco demanda años de investigación, grandes inversiones y una elevada tasa de fracaso. Poder descartar antes aquellos compuestos con menor probabilidad de éxito permitiría concentrar recursos en los candidatos más prometedores y mejorar la eficiencia de las áreas de investigación y desarrollo.

Las plataformas denominadas in silico son uno de los ejemplos más claros de esta transformación. A través de modelos computacionales, los investigadores pueden simular diferentes escenarios biológicos y analizar miles de posibilidades en tiempos mucho menores que los requeridos por determinados procedimientos experimentales.

Estas herramientas también pueden utilizarse para estudiar la toxicidad, la estabilidad y las posibles interacciones de un compuesto, entre otras variables. El objetivo es generar información que ayude a seleccionar candidatos antes de avanzar hacia etapas más costosas del proceso.

La expectativa de la industria es que el uso de estas tecnologías continúe creciendo durante los próximos años. De acuerdo con la encuesta de TD Cowen, los nuevos programas vinculados con el desarrollo de medicamentos podrían aumentar más de un 10% durante los próximos tres a cinco años. La expansión de estas iniciativas, acompañada por nuevas inversiones en equipamiento y tecnología de laboratorio, podría representar alrededor de US$1.000 millones adicionales en gasto del sector.

La inteligencia artificial también podría modificar la forma en que se realizan los experimentos. Una mayor capacidad para procesar datos permite entrenar modelos con información biológica más amplia y mejorar progresivamente la capacidad de los sistemas para identificar patrones y establecer relaciones entre distintas variables.

Sin embargo, el avance de la tecnología no significa que el laboratorio vaya a desaparecer. Por el contrario, los ensayos experimentales continúan siendo fundamentales para verificar si las predicciones realizadas por los modelos computacionales se corresponden con el comportamiento real de un compuesto.

La combinación entre modelos de IA y experimentación tradicional aparece, por ahora, como uno de los caminos más concretos para incorporar estas herramientas al desarrollo farmacéutico. La computadora puede ayudar a reducir el universo de posibilidades y orientar la investigación, mientras que los científicos deben validar los resultados mediante métodos experimentales.

Este proceso también plantea nuevos desafíos regulatorios. El crecimiento de las herramientas computacionales coincide con un mayor interés por desarrollar métodos alternativos a determinados ensayos preclínicos, incluyendo modelos basados en tejidos humanos en 3D y otras tecnologías capaces de anticipar la toxicidad de los compuestos.

Para la industria farmacéutica, el atractivo de estas soluciones está directamente relacionado con la posibilidad de intervenir antes en el proceso de desarrollo. Si un sistema puede detectar con mayor precisión que un candidato tiene pocas probabilidades de funcionar o presenta riesgos de seguridad, la compañía puede evitar invertir recursos adicionales en una molécula que probablemente fracasará más adelante.

El desafío está en comprobar hasta qué punto esa eficiencia inicial puede trasladarse a todo el ciclo de desarrollo. La historia de la investigación farmacéutica muestra que una buena predicción en las primeras etapas no garantiza necesariamente resultados positivos durante los ensayos clínicos ni, mucho menos, una aprobación regulatoria.

De hecho, pese al avance de las herramientas de inteligencia artificial, todavía no existe un medicamento nuevo aprobado por la FDA que haya sido completamente descubierto y desarrollado mediante estos sistemas. Esto obliga a mantener cierta cautela frente a algunas de las proyecciones más optimistas sobre el impacto de la tecnología.

La verdadera medida del éxito, por lo tanto, no estará únicamente en la cantidad de moléculas que una computadora pueda analizar ni en la velocidad con la que pueda simular distintos escenarios. El indicador decisivo será si estas herramientas consiguen aumentar la probabilidad de que un candidato llegue a convertirse en un medicamento seguro y eficaz.

La industria farmacéutica parece haber tomado posición: la inteligencia artificial ya forma parte de sus estrategias de investigación y desarrollo y las inversiones seguirán creciendo. Ahora comienza una etapa más exigente, en la que las compañías deberán demostrar que la capacidad de procesamiento y predicción de los nuevos sistemas puede traducirse en resultados concretos en el laboratorio, en los ensayos clínicos y, finalmente, en nuevos tratamientos disponibles para los pacientes.

Fuente: Forbes.