La biología humana es extraordinariamente compleja, lo que hace que descubrir fármacos sea excepcionalmente difícil; sin embargo, la IA está transformando el proceso de principio a fin.
La IA podría ayudar a agilizar y mejorar algunas de las etapas más difíciles del descubrimiento de fármacos, como identificar dianas de enfermedades, generar nuevos compuestos y predecir su seguridad.
Líderes se reúnen en la Reunión Anual 2026 del Foro Económico Mundial para explorar cómo el uso ético de la IA y otras tecnologías emergentes puede traducirse en soluciones para desafíos del mundo real.
Si alguna vez has tomado un medicamento y te has sentido mejor, has experimentado algo realmente extraordinario. La biología humana es extraordinariamente compleja. Descubrir fármacos que puedan corregir problemas biológicos de forma segura es sumamente difícil. En la investigación y el desarrollo biofarmacéuticos, un solo programa puede abarcar años o incluso décadas. Diseñamos y probamos miles de compuestos y nos damos por satisfechos si siquiera unos pocos pasan a las pruebas clínicas.
Los enfoques basados en inteligencia artificial están redefiniendo estas probabilidades, no creando fármacos digitalmente de la noche a la mañana, sino haciendo que algunas de las partes más difíciles de este proceso sean más rápidas, inteligentes y menos propensas al fracaso.
A partir de nuestro trabajo en Novartis, quisiera compartir cómo la IA está transformando tres etapas fundamentales del descubrimiento de fármacos: identificar dianas de enfermedades, generar compuestos y predecir su seguridad. Al adoptar una visión integral del proceso, comprendemos mejor los desafíos y dónde puede tener la IA el mayor impacto.
Apartarse del rebaño
El descubrimiento de fármacos suele comenzar con una proteína implicada en una enfermedad cuya actividad se quiere modificar. Quizá esté demasiado activa en una célula cancerosa o funcione de manera errática en el corazón. El objetivo es crear un compuesto que se una a la proteína de la manera precisa para modificar su actividad. Esta primera etapa, la identificación de dianas proteicas, está lista para transformarse gracias a la IA. En el sector biofarmacéutico, a menudo se «concentran» en las mismas dianas y se agrupa en áreas como los factores que impulsan el crecimiento de células cancerosas o los reguladores del apetito en la obesidad, pero los verdaderos avances requieren nuevas dianas.
Por ejemplo, la enfermedad renal poliquística autosómica dominante (ERPAD) es la forma hereditaria más común de enfermedad renal y se caracteriza por el crecimiento de quistes que acaba provocando insuficiencia renal. Recientemente, mediante simulaciones a gran escala impulsadas por IA, nuestro equipo activó y desactivó sistemáticamente miles de genes en modelos digitales de células con ERPAD para buscar su posible implicación en la enfermedad. En paralelo, usamos IA para analizar enormes cantidades de literatura científica, datos de genética humana y resultados de millones de experimentos con células individuales.
Sin IA, esto podría haber sido prohibitivamente lento; con ella, identificamos rápidamente varias decenas de genes candidatos. Después los probamos en experimentos de laboratorio húmedo con organoides renales —«minirriñones» cultivados en una placa que imitan la enfermedad—. En menos de un año, identificamos cinco dianas prometedoras que ahora estamos haciendo avanzar para estudiarlas más a fondo. La combinación de IA y experimentación de laboratorio nos ayudó, literalmente, a superar un desafío que se había resistido a los enfoques más tradicionales.
Descubrimiento generativo
El siguiente paso consiste en diseñar moléculas que actúen sobre nuestra diana. Para ello, hay que encontrar una molécula que se una a cavidades específicas de la proteína y pueda cambiar su función. Tradicionalmente, quienes buscan fármacos recurrían a la fuerza bruta: examinaban desde miles hasta millones de moléculas con la esperanza de encontrar unas pocas activas, que luego exigían un enorme esfuerzo de optimización. Mejorar la potencia puede arruinar la estabilidad; corregir el metabolismo puede introducir toxicidad. Debemos equilibrar 20 o 30 propiedades a la vez: unión, solubilidad, efectos fuera de la diana, cuánto tiempo permanece el compuesto en el organismo y mucho más.
Por eso, pasar de un hallazgo prometedor a un verdadero fármaco candidato puede llevar varios años, y por eso la IA generativa podría cambiar radicalmente las reglas del juego. Con la química generativa, se pueden diseñar racionalmente moléculas nuevas a partir de la estructura de una proteína, analizar bibliotecas químicas a gran escala mediante métodos digitales y optimizar varias propiedades al mismo tiempo.
Pensemos en enfermedades neurodegenerativas como la enfermedad de Huntington. En un proyecto, identificamos una proteína que queríamos eliminar mediante un mecanismo biológico conocido como degradación intracelular. Estas moléculas se denominan degradadores de pegamento molecular porque adhieren la proteína diana al sistema de eliminación de desechos de la célula. Se trata de un nuevo enfoque para atacar proteínas que, de otro modo, serían imposibles de abordar con fármacos en esta devastadora enfermedad. Sin embargo, ha sido difícil crear degradadores que puedan administrarse por vía oral y llegar al cerebro.
Con IA generativa, diseñamos computacionalmente 15 millones de compuestos potenciales y creamos modelos predictivos para evaluar propiedades clave, como la penetración en el cerebro. En vez de sintetizar miles de moléculas, trabajamos con unas 60 en el laboratorio y, finalmente, llegamos a una estructura molecular potente capaz de penetrar en el cerebro, que ahora avanza hacia una optimización adicional.
Como muchas empresas, estamos descubriendo que este enfoque puede reducir drásticamente el tiempo necesario para acotar la búsqueda de un candidato. Este es solo un ejemplo de la amplia variedad de programas similares habilitados por IA que estamos impulsando, tanto internamente como con colaboradores como Isomorphic Labs.
Seguridad con inteligencia
Con los compuestos candidatos en mano, el siguiente paso es evaluar su seguridad. Uno de los recursos fundamentales para nuestros esfuerzos de IA en Novartis es Data42, nuestro lago de datos interno, que contiene más de 30 años de estudios clínicos y preclínicos. Hemos invertido mucho en depurar y estandarizar nuestros datos históricos y, pese a toda la atención que reciben los algoritmos, la curación de datos es uno de los factores que más desbloquean el potencial de la IA.
Con Data42, podemos consultar rápidamente miles de estudios toxicológicos y clínicos. Por ejemplo, algunas clases de compuestos están asociadas a señales de problemas de seguridad cardíaca, como las arritmias. Usamos IA para generar perfiles de actividad de las células musculares del corazón, que predicen la posible toxicidad cardíaca clínica a partir de los datos de Data42. Después usamos estos perfiles para analizar computacionalmente compuestos candidatos de un programa preclínico. Descubrimos que, para algunas moléculas que por lo demás eran prometedoras, nuestros modelos predecían una señal intensa de riesgo para la seguridad cardíaca. Validamos esta predicción en el laboratorio y ahora podemos evitar compuestos de este tipo en el futuro.
Decidir cuándo detenerse puede ser un gran desafío en el sector biofarmacéutico, por lo que los modelos predictivos de seguridad asistidos por IA son inestimables. Pueden acelerar los plazos, reducir las tasas de fracaso y disminuir la dependencia de estudios con animales, una prioridad compartida por los organismos reguladores y la comunidad científica. Con IA y datos de alta calidad, podemos contribuir a garantizar que solo hagamos avanzar los candidatos con mayores probabilidades de ser seguros y eficaces.
Una dosis de realidad
Estos son solo tres pasos del camino mucho más largo que debe recorrer cada medicamento nuevo. Empresas como la nuestra están desplegando la IA de forma generalizada en investigación y desarrollo para acelerar y mejorar no solo el descubrimiento, sino también el diseño de ensayos clínicos, el reclutamiento de pacientes, la documentación regulatoria y mucho más.
La IA no es una varita mágica. Sin embargo, en Novartis vemos claramente sus beneficios, y con su ayuda las moléculas avanzan a buen ritmo. Al mismo tiempo, los desafíos fundamentales persisten: la biología humana sigue siendo muy compleja; traducir la investigación en estudios clínicos cuidadosamente diseñados lleva tiempo; y, para muchas enfermedades, aún necesitamos ensayos largos y rigurosos para comprender de verdad la seguridad y la eficacia.
La IA no ofrece una forma de eludir las complejidades de la biología humana, sino de abordarlas con mayor inteligencia. Al mejorar la manera en que elegimos dianas, diseñamos moléculas y evitamos riesgos para la seguridad, la IA nos ayuda a tomar mejores decisiones con más rapidez, para poder ofrecer soluciones a los pacientes que esperan el próximo gran avance.
