Cómo las empresas biotecnológicas nativas de IA están reescribiendo las reglas del descubrimiento de fármacos

Introducción: Está surgiendo un nuevo tipo de biotecnología

Durante décadas, el descubrimiento de fármacos siguió un camino familiar: años de experimentos de laboratorio, miles de millones de dólares en inversión y una alta probabilidad de fracaso. El tiempo promedio para llevar un nuevo fármaco al mercado ha sido tradicionalmente de 10 a 15 años, con costes que a menudo superan los $2 billion por molécula aprobada. La mayor parte de ese tiempo y dinero se gasta en fracasos, probando hipótesis que no funcionan en humanos.

Ahora, una nueva ola de empresas está cambiando esa ecuación. Son empresas biotecnológicas nativas de IA, organizaciones que se construyeron desde el primer día alrededor de la inteligencia artificial, no aquellas que simplemente adoptaron herramientas de IA más tarde.No están usando la IA como una característica; la IA es su fundamento.

Este cambio es más significativo de lo que parece. No se trata solo de velocidad. Se trata de cómo se entiende, modela y actúa sobre la propia biología. Y está remodelando toda la cadena de valor farmacéutica.

¿Qué hace a una empresa “IA-nativa”?

El término IA-nativa no es una etiqueta de marketing. Describe una forma específica de construir y operar una empresa biotecnológica. Las biotechs tradicionales se construían alrededor de laboratorios húmedos, donde los científicos realizan experimentos físicos para probar una hipótesis a la vez. Las biotechs IA-nativas invierten ese modelo. Construyen primero la infraestructura computacional y luego usan el trabajo de laboratorio húmedo para validar lo que los algoritmos ya han predicho.

Características clave de las empresas biotecnológicas IA-nativas incluyen:

1. Los datos como activo central: Estas empresas invierten fuertemente en generar conjuntos de datos biológicos propietarios porque la calidad de las predicciones de IA solo es tan buena como los datos con los que se entrena.
2. Equipos integrados de biología y aprendizaje automático: Biólogos y científicos de datos trabajan en el mismo bucle, no en departamentos aislados.
3. Ciclos iterativos de diseño-construcción-prueba: En lugar de I+D lineal, ejecutan ciclos computacionales rápidos que generan miles de hipótesis y luego seleccionan las más prometedoras para pruebas físicas.
4. Modelos de negocio centrados en la plataforma: Muchas biotechs IA-nativas se construyen alrededor de una plataforma central, un motor de propósito general que puede aplicarse en múltiples áreas de enfermedad y modalidades de fármacos.

Empresas como Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine y Absci se han convertido en ejemplos de este modelo. Cada una ha construido plataformas diferenciadas que van más allá de lo que las herramientas tradicionales de química computacional o bioinformática podían ofrecer.

La pila tecnológica detrás de la biotecnología IA-nativa

Entender qué hace que estas empresas funcionen requiere examinar las tecnologías subyacentes en las que se apoyan.

Modelos biológicos a gran escala: Así como los grandes modelos de lenguaje (LLMs) como GPT se entrenaron con texto, las empresas ahora entrenan modelos base con secuencias biológicas, proteínas, ADN, ARN y pequeñas moléculas. Estos modelos aprenden la gramática subyacente de la biología. AlphaFold, desarrollado por DeepMind (ahora parte de Isomorphic Labs), es el ejemplo más prominente. Puede predecir la estructura 3D de prácticamente cualquier proteína a partir de su secuencia de aminoácidos, un problema que mantuvo perplejos a los científicos durante 50 años.

IA generativa para el diseño de moléculas: Los modelos generativos se utilizan ahora para diseñar nuevas moléculas farmacológicas desde cero. En lugar de cribar una librería de compuestos existentes, las empresas pueden pedir a un modelo que genere una molécula que encaje con un objetivo biológico específico con propiedades deseadas, solubilidad, perfil de toxicidad y afinidad de unión, todo incorporado en la especificación.

Integración multimodal de datos biológicos: Las empresas IA-nativas están combinando datos de imagen, genómica, proteómica e historiales clínicos en modelos computacionales unificados. Recursion Pharmaceuticals, por ejemplo, ha construido un sistema que captura datos de imágenes celulares a una escala masiva, miles de millones de imágenes, y utiliza deep learning para identificar patrones relevantes para la enfermedad que ningún ojo humano podría detectar.

Sistemas de laboratorio autónomos: Algunas empresas están acoplando las predicciones de IA con automatización robótica de laboratorio. Esto crea un circuito cerrado donde la IA sugiere un experimento, un robot lo ejecuta y el resultado retroalimenta el modelo, con mínima intervención humana en cada ciclo.

Dónde la IA está marcando la mayor diferencia

Las empresas biotecnológicas IA-nativas están teniendo impacto a lo largo del proceso de desarrollo de fármacos, pero las ganancias no son iguales en todas las etapas.

Identificación y validación de dianas es donde la IA, quizá, ha hecho el mayor progreso. Identificar qué diana biológica —una proteína, receptor o gen— es responsable de una enfermedad es la primera y a menudo más decisiva decisión en el desarrollo de fármacos. Los modelos de IA entrenados con datos genómicos y proteómicos ahora pueden sacar a la luz dianas que antes eran invisibles para los investigadores.

Diseño y optimización molecular es la segunda área de rápido avance. Diseñar una molécula que se una eficazmente a una diana, sea estable en el organismo y no cause toxicidad es un problema de optimización con múltiples restricciones. Los modelos de IA, en particular los que usan aprendizaje por refuerzo y enfoques generativos basados en difusión, son adecuados para este tipo de búsqueda multiobjetivo.

Diseño de ensayos clínicos y estratificación de pacientes son una frontera emergente. La IA está empezando a ayudar a las empresas a identificar qué pacientes tienen más probabilidades de responder a un tratamiento, haciendo que los ensayos sean más pequeños, rápidos y con mayor probabilidad de éxito. Esto es especialmente relevante en oncología, donde la biología tumoral varía ampliamente entre pacientes.

Predicción de toxicidad y propiedades ADMET, absorción, distribución, metabolismo, excreción y toxicidad, más temprano en el proceso también es una ganancia importante. Históricamente, muchos candidatos a fármacos fracasaron en ensayos de fase tardía debido a problemas de seguridad que no se detectaron hasta estudios humanos costosos. Los modelos de IA ahora pueden señalar estos riesgos en la etapa de diseño.

El cambio en el modelo de negocio

Las empresas biotecnológicas nativas de IA también están cambiando la forma en que la industria piensa sobre la creación de valor.

Muchas de estas empresas operan con un modelo dual: desarrollan su propia cartera de fármacos internamente y, al mismo tiempo, licencian su plataforma a grandes compañías farmacéuticas como un servicio. Esto genera dos flujos de ingresos: pagos por hitos y regalías de las asociaciones, y ventas posteriores de fármacos de su propia cartera.

Gigantes farmacéuticos, incluidas Pfizer, Merck, Sanofi y AstraZeneca, han firmado importantes asociaciones con empresas biotecnológicas nativas de IA en los últimos años. Estos acuerdos a menudo se estructuran en torno a un arreglo de co-desarrollo, en el que la empresa de IA proporciona la identificación de dianas o el diseño molecular, y la empresa farmacéutica financia el desarrollo clínico y la comercialización.

Este modelo de asociación también está acelerando el acceso a datos clínicos del mundo real, que es uno de los recursos más valiosos y escasos para entrenar modelos biológicos de IA. Las grandes farmacéuticas disponen de décadas de datos clínicos que las startups nativas de IA no pueden replicar fácilmente.

La biotecnología nativa de IA acelera el descubrimiento, pero las moléculas aún deben navegar por complejas vías regulatorias desde el IND hasta la aprobación.

Comprender el proceso ayuda.

→ Leer: Explorando las vías regulatorias de los biofármacos

Retos que aún permanecen

A pesar del impulso, la biotecnología nativa de IA enfrenta desafíos reales y serios.

Calidad de los datos y ruido biológico: La biología es inherentemente ruidosa. Los resultados experimentales varían entre laboratorios, líneas celulares y condiciones. Entrenar modelos de IA con datos de baja calidad o generados de forma inconsistente puede conducir a predicciones excesivamente confiadas que fallan en la clínica.

Generalización a la biología humana: La mayor parte de los datos de entrenamiento proviene de líneas celulares o modelos animales. Traducir las predicciones a la biología humana sigue siendo uno de los problemas más difíciles en toda la medicina, y la IA no lo ha resuelto.

Incertidumbre regulatoria: Agencias reguladoras como la FDA y la EMA aún están desarrollando marcos para evaluar la evidencia generada por IA en las presentaciones de fármacos. Preguntas sobre la interpretabilidad del modelo, la procedencia de los datos y el sesgo algorítmico siguen sin resolverse.

Costes de talento e infraestructura: Construir y operar estas plataformas requiere talento especializado en la intersección de aprendizaje automático, biología y química, una reserva reducida a nivel mundial. La infraestructura informática necesaria para entrenar grandes modelos biológicos también es costosa.

Las plataformas nativas de IA representan una frontera de la transformación digital.

Descubra cómo las compañías farmacéuticas están integrando la IA en todas las operaciones, no solo en el descubrimiento.

→ Leer: Transformación digital en Pharma: casos de uso

Cómo se ve el futuro

El desarrollo más importante en este espacio puede estar aún por venir: la convergencia del descubrimiento de fármacos nativo de IA con el desarrollo clínico nativo de IA. Si la IA puede comprimir no solo la fase de descubrimiento sino también el diseño y la ejecución de los ensayos clínicos, la línea temporal tradicional de 10 a 15 años podría reducirse drásticamente.

Varias empresas ya experimentan con diseños de ensayos adaptativos impulsados por IA, utilizando datos de pacientes en tiempo real para modificar parámetros del ensayo sin comprometer la integridad estadística. Otras desarrollan biomarcadores digitales y diagnósticos potenciados por IA que podrían permitir la monitorización continua del paciente fuera de los entornos clínicos tradicionales.

También existe un creciente interés en lo que algunos investigadores llaman "biología programable", la idea de que las propias células podrían algún día diseñarse y ajustarse mediante herramientas genéticas guiadas por IA como CRISPR, lo que permitiría tratamientos altamente específicos para la biología de un paciente individual.

Conclusión

Las empresas biotecnológicas nativas de IA no son una moda. Representan un cambio estructural en la forma en que se descubren y desarrollan los medicamentos. Al tratar la biología como un problema de datos e integrar la IA en cada capa de sus operaciones, estas empresas están logrando resultados que no eran posibles hace solo cinco años. Están encontrando dianas que se pasaron por alto, diseñando moléculas que encajan en la biología con mayor precisión y avanzando más rápido en el desarrollo temprano que cualquier generación previa de compañías farmacéuticas.

El camino por delante todavía presenta grandes obstáculos, regulatorios, científicos y comerciales. Pero la dirección está clara. La próxima generación de medicamentos innovadores es cada vez más probable que tenga un algoritmo en su origen.

Preguntas frecuentes

1. ¿Qué es una empresa biotecnológica nativa de IA? 

Una empresa biotecnológica nativa de IA es aquella construida desde cero alrededor de la inteligencia artificial, lo que significa que la IA impulsa el descubrimiento de dianas, el diseño de moléculas y los flujos de trabajo de investigación, en lugar de añadirse sobre procesos de laboratorio tradicionales.

2. ¿Cómo acelera la IA el descubrimiento de fármacos? 

La IA puede analizar vastos conjuntos de datos biológicos, predecir estructuras proteicas, diseñar moléculas farmacológicas por métodos computacionales e identificar riesgos de toxicidad de forma temprana, reduciendo significativamente el tiempo y el coste de I+D en fases tempranas en comparación con los enfoques experimentales convencionales.

3. ¿Qué empresas biotecnológicas nativas de IA lideran el sector? 

Empresas destacadas incluyen Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine, Absci y Exscientia, cada una con plataformas de IA diferenciadas que se enfocan en distintas partes del proceso de desarrollo de fármacos.

4. ¿Qué es AlphaFold y por qué importa para la biotecnología? 

AlphaFold es un modelo de aprendizaje profundo desarrollado por DeepMind que predice la estructura 3D de las proteínas a partir de sus secuencias de aminoácidos. La predicción precisa de la estructura proteica es fundamental para el diseño de fármacos, y AlphaFold hizo esto accesible de forma general por primera vez.

5. ¿Existen marcos regulatorios para los fármacos descubiertos por IA? 

Agencias regulatorias como la FDA y la EMA están desarrollando activamente orientaciones sobre el uso de IA en el desarrollo de fármacos. Actualmente, los fármacos descubiertos por IA siguen los mismos procesos de ensayos clínicos y aprobación que los desarrollados convencionalmente, pero la transparencia de los modelos y la calidad de los datos están bajo un escrutinio creciente.