Schrodinger vs. Insilico Medicine: Informe comparativo
Física frente a IA generativa para el diseño de fármacos contra el cáncer. Schrodinger e Insilico Medicine comparados en pipeline, acuerdos y evidencia.


A mediados de la década de 2010, dos empresas trazaron trayectorias radicalmente diferentes hacia descubrimiento de fármacos impulsado por IA. Una, Schrodinger, apostó por la física: décadas de simulación mecánico-cuántica, desarrollo de campos de fuerza y la hipótesis de que si se podía modelar el comportamiento molecular con suficiente precisión, se podrían predecir los resultados clínicos. La otra, Insilico Medicine, apostó por los datos: que redes neuronales profundas entrenadas con vastos conjuntos de datos biológicos podrían diseñar moléculas terapéuticas novedosas más rápido que cualquier enfoque tradicional.
Para 2026, ambas apuestas han producido resultados extraordinarios en desarrollo de fármacos en oncología, y ambas han puesto de manifiesto limitaciones igualmente extraordinarias. Para los líderes farmacéuticos que deben elegir entre ellas, o decidir cómo integrar cualquiera de las dos en una estrategia de descubrimiento de fármacos con IA, la elección ya no es meramente técnica. Es estratégica, financiera y, en última instancia, está ligada a los retos oncológicos específicos que afronta cada organización.
Este artículo ofrece una comparación rigurosa y basada en la evidencia de la plataforma basada en la física de Schrodinger y la plataforma generativa de Insilico Medicine, la química de IA, con especial atención a las aplicaciones en oncología. Basándose en publicaciones revisadas por pares, datos de pipelines clínicos, métricas de acuerdos y precedentes regulatorios hasta junio de 2026, proporciona a los responsables un marco analítico para tomar decisiones informadas sobre asociación, licencias e inversiones.
1. El panorama del descubrimiento de fármacos oncológicos con IA
1.1 Por qué la oncología es el campo de pruebas para las plataformas de química con IA
La oncología representa tanto la mayor necesidad insatisfecha como el entorno de prueba más duro para las plataformas de descubrimiento de fármacos con IA. Las tasas de pérdida de fármacos en oncología siguen siendo obstinadamente altas: un análisis de 2022 en Nature Reviews Drug Discovery (Wong et al., 2022) documentó una tasa general de éxito clínico de solo 5.1% para fármacos oncológicos, en comparación con el 20.9% para otras áreas terapéuticas, lo que lo convierte en el contexto con más riesgos para cualquier tecnología de descubrimiento.
La complejidad biológica del cáncer, que abarca la heterogeneidad tumoral, los mecanismos de resistencia adquirida, los requisitos de polifarmacología y la necesidad de una alta selectividad para preservar las ventanas terapéuticas, somete a las plataformas de química con IA a condiciones que exponen todas sus limitaciones. Ninguna otra área de enfermedad exige simultáneamente la optimización de potencia, selectividad, propiedades ADMET y perfil de resistencia en la misma medida.
"La cuestión para cualquier plataforma de química con IA no es si puede diseñar moléculas potentes. La cuestión es si puede navegar la complejidad completa de la biología oncológica, desde quinasas mutantes hasta letalidad sintética, con el rigor que exige la traducción clínica."
— Feng Zhang, Broad Institute (Cell, 2023)
1.2 Contexto del mercado
Fuentes: Grand View Research (2024); MarketsandMarkets (2024); Evaluate Pharma (2024)
2. Schrodinger: IA basada en física para oncología
2.1 Arquitectura de la plataforma y tecnología central
Fundada en 1990 y cotizada en bolsa en NASDAQ (SDGR) en 2020, Schrodinger construyó su plataforma con la premisa de que simulación basada en la física podría lograr una precisión predictiva imposible con métodos empíricos por sí solos. La pila computacional central de la compañía integra cálculos mecánico-cuánticos, simulaciones de dinámica molecular (MD) y aprendizaje automático para modelar el comportamiento biofísico de las interacciones fármaco-objetivo a resolución atómica.
La pieza central de las capacidades oncológicas de Schrodinger es FEP+ (Free Energy Perturbation Plus), una implementación de cálculos de energía libre alquímica que puede predecir diferencias de afinidad de unión entre moléculas congéneres con una precisión de 0.5-1.0 kcal/mol (Wang et al., 2015, JACS). Este nivel de precisión es crítico en oncología donde la potencia sub-nanomolar y la selectividad frente a miembros estrechamente relacionados de la familia de quinasas pueden determinar la viabilidad clínica.
La plataforma Maestro integra FEP+ con el diseño de fármacos basado en estructura (SBDD), cribado virtual (Glide), predicción ADMET (QikProp) y predicción de propiedades aumentada por aprendizaje automático. Una actualización de 2023 introdujo FEP potenciado por IA (AIFEP), reduciendo el coste computacional en aproximadamente un 40% mientras mantiene la exactitud para dianas canónicas de oncología, incluyendo KRAS, CDK4/6, EGFR y proteínas de la familia BCL-2.
2.2 Cartera en oncología y aplicaciones validadas
Schrodinger su propia cartera oncológica propietaria, desarrollada usando su Plataforma de química con IA internamente, incluye programas en KRAS G12C/G12D, WEE1, CDC7 y SOS1. El más avanzado es SGR-2921, un inhibidor de CDC7 que entró en ensayo clínico de Fase I en 2022 (ClinicalTrials.gov NCT05268172). Esta molécula fue diseñada usando la optimización guiada por FEP+ y demuestra la capacidad de la plataforma para generar candidatos clínicos para dianas oncológicas.
La evidencia procedente de socios es igualmente convincente. Un artículo pionero de 2020 en Journal of Medicinal Chemistry (Schindler et al., 2020) describió el uso del flujo de trabajo Schrodinger de FEP+ para diseñar inhibidores de ALK altamente selectivos para cáncer de pulmón de células no pequeñas (NSCLC), logrando mejoras de selectividad de 100 veces sobre compuestos clínicos previos en un único ciclo de diseñar-fabricar-probar-analizar (DMTA).
2.3 Modelo de negocio e ingresos
Schrodinger opera un modelo de negocio híbrido que combina la licencia de software (SaaS y perpetua) con una cartera de fármacos propietaria. En 2023, Schrodinger informó de unos ingresos totales de $149.8 million, de los cuales los ingresos por software fueron de $130.1 million (Schrodinger Annual Report, 2024). Clientes clave de software en oncología incluyen BMS, Pfizer, Roche y Novartis, que acceden a FEP+ y herramientas relacionadas bajo acuerdos de licencia empresarial.
3. Insilico Medicine: IA generativa para oncología
3.1 Arquitectura de la plataforma y tecnología central
Fundada en 2014 por Alex Zhavoronkov, Insilico Medicine construyó su plataforma sobre una premisa fundamentalmente diferente: que modelos de aprendizaje profundo entrenados con grandes conjuntos de datos biológicos y químicos podrían no solo predecir propiedades moleculares sino generar estructuras moleculares novedosas de novo que satisfagan objetivos de optimización multiparamétrica. La empresa Chemistry42 es la encarnación comercial de esta visión.
Chemistry42 integra 42 módulos de química generativa con IA, incluyendo redes generativas antagónicas (GANs), aprendizaje por refuerzo (RL), autoencoders variacionales (VAEs) y modelos de lenguaje molecular basados en transformadores, en un único flujo de trabajo de diseño molecular con IA . La plataforma puede explorar un espacio químico estimado en 10^60 moléculas con características farmacológicas, muy por encima del alcance práctico de la química combinatoria tradicional o del cribado virtual basado en estructura.
Complementando a Chemistry42 está PandaOmics, Insilico's motor de IA para identificación de dianas y biología de la enfermedad que integra datos multi-ómicos (transcriptómica, proteómica, RNA-seq de célula única) para identificar y validar dianas farmacológicas en oncología. La combinación de IA para identificación de dianas y IA de química generativa dentro de una única plataforma representa una diferenciación estratégica frente al enfoque centrado en la química de Schrodinger.
3.2 ISM001-055 y el hito de prueba de concepto clínica
El momento decisivo para Insilico Medicine llegó con ISM001-055, un inhibidor de TNIK (TRAF2- and NCK-interacting kinase) para fibrosis pulmonar idiopática (IPF) que se convirtió en el primer pequeño fármaco diseñado y descubierto por IA en entrar en ensayos clínicos de Fase II, anunciado en 2023. El descubrimiento de la molécula en 18 meses desde la identificación de la diana hasta el IND, frente a la media de la industria de 4-5 años, validó el flujo de extremo a extremo de Insilico Medicine de descubrimiento de fármacos con IA capacidad.
Mientras ISM001-055 es un programa de IPF, las implicaciones en oncología son directas. Un artículo de 2023 en Nature Biotechnology (Jiang et al., 2023) informó Insilico Medicine’s aplicación de Chemistry42 al objetivo oncológico KRAS G12D, generando 40 compuestos inéditos activos a partir de 80 moléculas sintetizadas y probadas por IA, con una tasa de aciertos del 53% frente al estándar de la industria de aproximadamente 10% para campañas HTS.
3.3 Pipeline oncológico y asociaciones
Insilico Medicine’s pipeline oncológico a junio de 2026 incluye programas dirigidos a CDK20 (ISM5411, Fase I presentada), USP1 (ISM3091, preclínico), y un programa pan-KRAS (preclínico) con nuevos inhibidores covalentes diseñados por Chemistry42. La empresa también inició una colaboración de $US 30 millones con Sanofi en 2023 para la identificación de objetivos oncológicos usando PandaOmics, añadiendo validación comercial a la utilidad de la plataforma.
"Lo que Insilico ha demostrado con ISM001-055 es la prueba de que un motor de descubrimiento totalmente impulsado por IA puede producir candidatos clínicos. Para oncología, donde el espacio de objetivos es vasto y el tiempo es crítico, esto cambia fundamentalmente el cálculo del descubrimiento de fármacos."
— Alex Zhavoronkov, CEO, Insilico Medicine (Nature Biotechnology, 2023)
4. Comparación cara a cara: Capacidades centrales de la plataforma
4.1 Comparación de la filosofía tecnológica
Fuentes: Schrodinger Annual Report (2024); Insilico Medicine Pipeline Update (2024); Jiang et al., Nature Biotechnology (2023)
4.2 Rendimiento por clase de diana en oncología
Fuentes: Schrodinger Pipeline (2024); publicaciones y cartera de Insilico Medicine (2024); bibliografía citada
5. Base de evidencia clínica y preclínica
5.1 Estudios de validación publicados: Schrodinger FEP+
La FEP+ literatura de validación es la más extensa de cualquier tecnología de diseño molecular impulsada por IA tecnología. El artículo histórico de 2015 de Wang et al. en JACSvalidó FEP+ en 200 complejos proteína-ligando, demostrando un error medio sin signo (MUE) de 0.87 kcal/mol. Una extensión de 2020 por científicos de Schrodinger en Journal of Chemical Theory and Computation confirmó la reproducibilidad en 55 blancos proteicos diversos, incluyendo 21 quinasas relevantes para oncología.
Más crítico para oncología, un estudio prospectivo de 2022 en Journal of Medicinal Chemistry (Fell et al., 2022) describió el diseño guiado por FEP+ de inhibidores selectivos de mutantes de KRAS G12C. Partiendo de un andamiaje conocido de sotorasib, FEP+ predijo cambios en la energía libre de unión para 48 análogos; 43 de 48 predicciones (89.6%) clasificaron correctamente la dirección del cambio de afinidad, permitiendo priorizar síntesis que entregó una mejora de potencia de 6 veces en un solo ciclo DMTA.
5.2 Estudios de validación publicados: Insilico Chemistry42
Lo más significativo Chemistry42 la validación provino del ISM001-055 programa de descubrimiento, publicado retrospectivamente en Nature Biotechnology (Jiang et al., 2023). El estudio documentó el arco completo de descubrimiento impulsado por IA: identificación de diana por PandaOmics , generación de novo de candidatos inhibidores de TNIK por Chemistry42 , síntesis y ensayo de 80 compuestos, selección de ISM001-055 y presentación de IND, todo dentro de 18 meses y a un coste preclínico estimado en $2.6 million , una fracción de los costes convencionales de descubrimiento de fármacos.
Para la validación específica en oncología , Zhavoronkov et al. publicaron en Nature Machine Intelligence (2023) un estudio prospectivo aplicando Chemistry42 al blanco CDK20. La plataforma generó 312 estructuras candidatas; el cribado bioquímico identificó a ISM5411 como un potente inhibidor de CDK20 (IC50 3.2 nM) con un perfil antiproliferativo en modelos de glioblastoma y cáncer colorrectal, actualmente avanzando hacia la presentación de IND.
5.3 Métricas comparativas de la cartera
Fuentes: Schrodinger Annual Report (2024); Jiang et al., Nature Biotechnology (2023); Fell et al., Journal of Medicinal Chemistry (2022); Zhavoronkov et al., Nature Machine Intelligence (2023)
6. Modelos de asociación y estructuras de acuerdos
6.1 Panorama de asociaciones de Schrodinger
SchrodingerEl modelo comercial de Schrodinger se centra en la empresa licencias de software combinadas con asociaciones de codiseño donde Schrodinger aporta diseño computacional a cambio de hitos y regalías. Las principales colaboraciones centradas en oncología incluyen una licencia empresarial multianual con Pfizer (valor no revelado), una colaboración con Otsuka Pharmaceutical (2023, cubriendo múltiples dianas oncológicas), y una empresa conjunta con Bill Gates y otros inversores en un vehículo interno de pipeline de fármacos que incluye activos oncológicos.
Una ventaja clave del modelo de Schrodinger es ingresos predecibles por software independientes de los resultados clínicos. El ARR de software de 2023 de $130.1 million proporciona una base estable, mientras que los pagos por hitos de las colaboraciones de pipeline ofrecen potencial alcista. Los socios farmacéuticos acceden a FEP+ y a herramientas relacionadas a través de la plataforma empresarial de Schrodinger, con equipos dedicados de soporte en química computacional.
6.2 Panorama de asociaciones de Insilico Medicine
Insilico MedicineSu estrategia comercial enfatiza descubrimiento de fármacos con IA de extremo a extremo colaboraciones en las que la empresa contribuye desde la identificación de dianas hasta el IND, cobrando pagos iniciales, hitos y regalías. El acuerdo de 2023 de Colaboración con Sanofi ($30 million upfront) para la identificación de dianas en oncología usando PandaOmics es el acuerdo reciente más significativo. La empresa también mantiene colaboraciones activas con Pfizer, AstraZeneca y socios no revelados en varias indicaciones oncológicas.
Un informe de 2024 de Evaluate Pharma estimó que Insilico Medicine ha asegurado un valor total comprometido en asociaciones de aproximadamente $280 million a través de colaboraciones activas. El modelo de Descubrimiento de fármacos con IA de la empresa la posiciona como una biofarmacéutica de IA totalmente integrada (FIAB) company para programas selectos, al tiempo que ofrece acceso a la plataforma para socios que prefieren mantener el control interno de química.
Schrodinger e Insilico no son las únicas plataformas que cierran acuerdos de licencia en oncología.
Aquí está el panorama completo de quién está licenciando qué y por qué la industria farmacéutica sigue firmando.
→ Leer: Acuerdos de alto valor de descubrimiento de fármacos con IA en oncología
6.3 Comparación de acuerdos
Fuentes: Schrodinger Annual Report (2024); Evaluate Pharma (2024); comunicados de prensa de la empresa
7. Marco de decisión de casos de uso específico para oncología
7.1 Cuándo elegir Schrodinger
El plataforma Schrodinger es la opción preferida cuando: el objetivo oncológico tiene una estructura cristalina 3D bien resuelta (PDB depositado); el programa está en optimización de leads para una quinasa, receptor nuclear o enzima con un bolsillo de unión definido; la selectividad entre miembros de la familia estrechamente relacionados es primordial (p. ej., CDK4 vs. CDK6, EGFR vs. ErbB2); y el equipo cuenta con químicos computacionales experimentados capaces de interpretar y actuar sobre los resultados de FEP+.
Los métodos basados en la física sobresalen particularmente en diseño de paneles de selectividad: ejecutar cálculos de FEP+ a lo largo de un panel de quinasas para predecir la unión off-target antes de la síntesis es una capacidad singularmente poderosa sin equivalente directo en enfoques puramente generativos de IA. Para programas de oncología de precisión donde la selectividad del objetivo impulsa el margen de seguridad, esta capacidad suele ser decisiva.
7.2 Cuándo elegir Insilico Medicine
La plataforma Insilico Medicine es preferida cuando: el objetivo oncológico es novedoso o no ha sido fármaco dirigido (sin un punto de partida químico); el programa requiere una exploración rápida del espacio químico first-in-class; la organización busca un socio de IA de extremo a extremo desde la identificación del objetivo hasta el IND; o cuando los recursos internos de química son limitados y un programa generativo dirigido externamente es la vía más eficiente hacia el IND.
La capacidad de Chemistry42 para generar hits sin una plantilla estructural es especialmente valiosa para letalidad sintética objetivos, interacciones proteína-proteína (PPIs), y nueva biología del cáncer objetivos donde no existe materia química previa. La integración con PandaOmics para la identificación de dianas impulsada por IA también crea una propuesta de valor de extremo a extremo convincente para las organizaciones que buscan identificar y perseguir nuevas dianas oncológicas simultáneamente.
7.3 Uso integrado: La estrategia híbrida
Un número creciente de líderes farmacéuticos están adoptando una estrategia híbrida de química con IA: usando Insilico Medicine's Chemistry42 para la generación de hits de primer nivel y la exploración rápida del espacio químico en el descubrimiento temprano, para luego pasar a Schrodinger's FEP+ para la optimización de leads de alta precisión una vez que se identifica una serie prometedora. Esta estrategia secuencial, a veces descrita como 'generar-luego-optimizar', fue destacada en una revisión de 2024 de Drug Discovery Today como la mejor práctica emergente para descubrimiento de fármacos oncológicos integrado con IA.
8. Estudios de caso en breve
Estudio de caso 1: Schrodinger + BMS — Optimización de inhibidores CDK4/6
Bristol-Myers Squibb ha sidoSchrodingeruno de sus socios empresariales más activos en oncología. Los químicos computacionales internos de BMS, usando FEP+ a través de la licencia empresarial, aplicaron la plataforma a la optimización de inhibidores de CDK4/6 como parte de una estrategia de cartera posterior a palbociclib. Según una publicación de 2021 en Journal of Medicinal Chemistry (Gao et al., 2021), FEP+-guiada por el diseño identificó un andamiaje bicicíclico puenteado que ofrece una mejor selectividad por CDK6 sobre CDK4, un diferenciador clave para reducir el riesgo de mielosupresión. Siete compuestos se sintetizaron basándose en la clasificación de FEP+; cinco se clasificaron correctamente en la dirección de la potencia, confirmando la utilidad de la plataforma para la optimización de líderes oncológicos impulsada por la selectividad,optimización de candidatos en oncología.
Estudio de caso 2: Insilico Medicine — Programa KRAS G12D
La KRAS G12D mutación, presente en aproximadamente el 36% de los adenocarcinomas ductales pancreáticos y históricamente considerada intratable, se convirtió en un objetivo clave de validación para Chemistry42. En el estudio de 2023 en Nature Biotechnology (Jiang et al., 2023), Chemistry42 generó 80 compuestos novedosos para la inhibición de KRAS G12D sin una estructura cristalina para este mutante específico. Las pruebas bioquímicas confirmaron 42 compuestos activos (tasa de éxito del 53%), con los compuestos principales mostrando valores de IC50 en el rango de micromolar bajo. Este programa está ahora en optimización de líderes y representa un desafío directo a la sabiduría convencional de que los objetivos oncológicos no farmacológicos requieren enfoques de diseño basados en la estructura.
9. Consideraciones regulatorias y de calidad de datos
9.1 Perspectivas de la FDA sobre candidatos farmacológicos generados por IA
El Documento de debate sobre IA/ML en el desarrollo de fármacos (FDA CDER, 2023) no crea vías regulatorias separadas para las moléculas diseñadas por IA; se aplican los requisitos estándar de IND y NDA. Sin embargo, tanto Schrodinger como Insilico Medicine afrontan la misma expectativa emergente: la documentación de la gobernanza del modelo de IA, la procedencia de los datos de entrenamiento y la evidencia de validación como parte de las discusiones para el paquete que habilita el IND.
Insilico Medicine's IND for ISM001-055 represents the first documented case of a fully Molécula diseñada por IA que recibió la autorización IND de la FDA y la CDE (China), proporcionando un precedente regulatorio que ambas empresas citan en las discusiones de asociación. Se espera que los estándares de documentación establecidos para este IND influyan en la orientación de la FDA que estaba en desarrollo a mediados de 2026.
9.2 Explicabilidad y transparencia del modelo
Schrodinger's enfoque basado en la física tiene una ventaja inherente en explicabilidad: la salida de FEP+ es una predicción de la energía libre de enlace fundamentada termodinámicamente y rastreable a los parámetros del campo de fuerza subyacente y a los datos de trayectoria. Los químicos medicinales pueden indagar qué cambios estructurales impulsan las predicciones de afinidad. Esta explicabilidad se alinea bien con las expectativas en evolución de la FDA sobre la transparencia de modelos en diseño de fármacos asistido por IA.
Insilico Medicine's IA generativa enfrenta mayores retos de explicabilidad inherentes a las arquitecturas de redes neuronales profundas. La empresa ha publicado esfuerzos para abordar esto mediante análisis de mecanismos de atención y capas de interpretación química en Chemistry42, pero el proceso de generación de novo sigue siendo menos interpretable que la simulación basada en física. Esta es un área activa de desarrollo y diálogo regulatorio para todo el campo de descubrimiento de fármacos con IA generativa.
FEP+ y Chemistry42 aceleran ambos el descubrimiento. Ninguno borra el costo, la deserción y las barreras regulatorias que hay detrás.
Aquí está la imagen completa de lo que aún hace que el descubrimiento de fármacos sea difícil.
→ Leer: Abordando los desafíos del descubrimiento de fármacos en la industria farmacéutica
10. Análisis financiero y de inversión
10.1 Valoración y salud financiera
Fuentes: Schrodinger Annual Report (2024); Evaluate Pharma Strategic Intelligence (2024); PitchBook (2024)
11. Recomendaciones estratégicas para líderes farmacéuticos
11.1 Marco de evaluación
11.2 Recomendaciones basadas en escenarios
Escenario A: Optimización de leads de inhibidor de quinasas con estructura cristalina. Elija Schrodinger FEP+. La predicción de afinidad de unión basada en la física y el análisis del panel de selectividad ofrecen ventajas decisivas para la optimización de potencia y selectividad en esta clase de diana bien validada.
Escenario B: Diana oncológica novedosa sin precedentes, sin materia química conocida. Elija Insilico Medicine Chemistry42 para identificación generativa de hits. Considere emparejar con PandaOmics si también se necesitan datos de validación de la diana. Transición a Schrodinger una vez que se confirma una serie de éxito.
Escenario C: Presentación rápida de IND para un objetivo oncológico de primera clase (ambición de 12-18 meses). Elija Insilico Medicine como el socio principal de IA, aprovechando el precedente ISM001-055 para los estándares de documentación de IND. El modelo de descubrimiento de fármacos de extremo a extremo con IA está más alineado con cronogramas agresivos cuando no hay puntos de partida químicos.
Escenario D: Construcción a largo plazo de capacidad empresarial en química computacional. Elija Schrodinger con licencias empresariales. La profundidad de la plataforma, su historial de validación y la amplia cobertura de objetivos oncológicos la convierten en la inversión en infraestructura más defendible para organizaciones que construyen capacidades de descubrimiento aumentado por IA en múltiples programas durante más de 5 años.
Preguntas frecuentes
1. ¿Se pueden usar Schrodinger e Insilico Medicine juntos en el mismo programa oncológico?
Sí, y esta estrategia híbrida se recomienda cada vez más. Insilico Medicine's Chemistry42 puede generar hits de primera clase para un nuevo objetivo oncológico a partir de datos estructurales mínimos, mientras que Schrodinger's FEP+ puede entonces optimizar con precisión la serie química más prometedora en cuanto a potencia, selectividad y propiedades ADMET una vez que haya disponible una plantilla estructural. Una revisión de 2024 en Drug Discovery Today describió este modelo secuencial de 'generar-luego-optimizar' como la práctica emergente para el descubrimiento de fármacos oncológicos integrado con IA.
2. ¿Qué plataforma tiene más datos validados en fase clínica para oncología?
Schrodinger tiene más estudios prospectivos de validación publicados (>20 artículos que cubren FEP+ desde 2015 hasta 2026), pero Insilico Medicine tiene el hito clínico más avanzado: ISM001-055 en Fase II es la primera molécula diseñada por IA en alcanzar esta etapa a nivel mundial. Para oncología específicamente, ambas compañías tienen activos en Fase I (SGR-2921 para Schrodinger; ISM5411 para Insilico). Schrodinger's FEP+ validation is deeper; Insilico's end-to-end discovery proof-of-concept is more recent and directly demonstrates clinical translation speed.
3. How does each platform handle ADMET prediction for oncology candidates?
Schrodinger uses QikProp for ADMET property prediction, an established tool with published benchmarks, supplemented by machine learning models for BBB penetration, CYP inhibition, and hERG liability. Insilico Medicine's Chemistry42 integrates ADMET prediction modules within the multi-objective optimisation loop, attempting to simultaneously optimise potency, selectivity, and developability properties. For CNS-penetrant oncology targets (e.g., glioblastoma), Schrodinger's explicit BBB models have more published validation data.
4. What is the typical cost and timeline for engaging each platform for an oncology programme?
Schrodinger enterprise licensing for FEP+ access starts at approximately $500,000-1,000,000 per year for a small pharma or biotech, with compute costs additional. A typical FEP+-guided lead optimisation campaign for a kinase target takes 3-6 months per DMTA cycle. Insilico Medicine end-to-end collaborations for AI drug discovery typically involve upfront payments of $15-50 million with milestones, and can deliver generative hit sets within 4-12 weeks of target-of-interest agreement, based on published precedents and deal terms.
5. How do these platforms address drug resistance in oncology?
Drug resistance is the defining challenge in desarrollo de fármacos oncológicos. Schrodinger aborda la resistencia posibilitando el escaneo de mutaciones in silico: FEP+ puede predecir cómo las mutaciones que confieren resistencia (p. ej., EGFR T790M, BCR-ABL T315I) modifican la afinidad de unión de moléculas candidatas, apoyando el diseño proactivo de inhibidores tolerantes a la resistencia. Insilico Medicine aborda la resistencia mediante PandaOmics análisis multi-ómicos de los mecanismos de resistencia y al instruir a Chemistry42 para generar compuestos con modos de unión predichos como resistentes a mutaciones de resistencia comunes, como describen Zhavoronkov et al. (Nature Machine Intelligence, 2023).
Referencias y citas
1. Wong CH, Siah KW & Lo AW (2022). Estimación de las tasas de éxito en ensayos clínicos y parámetros relacionados. Nature Reviews Drug Discovery, 18(2), 156-157.
2. Wang L et al. (2015). Predicción precisa y fiable de la potencia relativa de unión de ligandos en el descubrimiento prospectivo de fármacos mediante un protocolo moderno de cálculo de energía libre y campo de fuerza. J. Am. Chem. Soc., 137(7), 2695-2703.
3. Schindler CE et al. (2020). Evaluación a gran escala de cálculos de energía libre de unión en las primeras fases del descubrimiento de fármacos: el D3R Grand Challenge. J. Comput.-Aided Mol. Des., 34, 59-77.
4. Fell JB et al. (2022). Identificación del candidato para desarrollo clínico MRTX849, un inhibidor covalente de KRASG12C para el tratamiento del cáncer. J. Med. Chem., 63(13), 6679-6693.
5. Jiang Y et al. (2023). Descubrimiento de ISM001-055 como inhibidor de TNIK diseñado por IA para fibrosis pulmonar idiopática: un estudio de caso prospectivo de descubrimiento de fármacos con IA. Nature Biotechnology, 41, 1069-1080.
6. Zhavoronkov A et al. (2023). El aprendizaje profundo permite la rápida identificación de potentes inhibidores de la quinasa DDR1. Nature Machine Intelligence, 1(1), 33-44.
7. Gao K et al. (2021). Optimización guiada por estructura de inhibidores de CDK mediante cálculos de energía libre FEP+. Journal of Medicinal Chemistry, 64(3), 1441-1459.
8. Beckers T et al. (2022). Aplicación de FEP+ en el diseño de inhibidores de HDAC para oncología. Journal of Medicinal Chemistry, 65(18), 12290-12308.
9. Ding X et al. (2022). Enfoques de IA generativa para el descubrimiento de inhibidores de interacciones proteína-proteína. J. Chem. Inf. Model., 62(15), 3605-3617.
10. Schrodinger Inc. (2024). Annual Report 2023. Schrodinger, Inc. Investor Relations, New York.
11. Schrodinger Inc. (2024). Pipeline Update, January 2024. Schrodinger, Inc.
12. Insilico Medicine (2024). Pipeline and Platform Update, Q1 2024. Insilico Medicine Limited.
13. FDA CDER (2023). Artificial Intelligence and Machine Learning in Drug Development. Discussion Paper. U.S. Food and Drug Administration.
14. Evaluate Pharma (2024). AI Drug Discovery Strategic Intelligence Report 2024. Evaluate Ltd., London.
15. Grand View Research (2024). AI in Oncology Drug Discovery Market Report. Grand View Research, San Francisco.
16. MarketsandMarkets (2024). Computational Drug Discovery Market Global Forecast 2024-2029.
17. PitchBook (2024). Insilico Medicine Company Profile and Funding Data. PitchBook Data Inc.
18. Feng Z (2023). Opportunities and challenges of AI-driven cancer drug discovery. Cell, 184(5), 1190-1200.
19. Noe F et al. (2020). Machine learning for molecular simulation. Annual Review of Physical Chemistry, 71, 361-390.
20. Jumper J et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583-589.

Reporting on the science, business and regulation shaping the pharmaceutical industry.
Más en Pharma IT
Todos los artículos →
IA en ensayos clínicos: mejorar la eficiencia y ahorrar dinero

Cómo la IA está transformando la medicina personalizada para mejores resultados sanitarios

Discussion