Antes de que un medicamento llegue a una farmacia, los investigadores deben encontrar una molécula capaz de actuar sobre una parte concreta del organismo. Muchas veces esa parte es una proteína relacionada con una enfermedad. La IA para descubrir fármacos intenta anticipar cuáles moléculas podrían encajar en esa proteína, como una llave en una cerradura de forma cambiante, para reducir la enorme lista de opciones que después deberán probarse en el laboratorio.
Eso es lo que cinco farmacéuticas buscaban mejorar. AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson y Takeda entrenaron una versión común de OpenFold3 con 20.167 imágenes tridimensionales obtenidas durante investigaciones anteriores. Cada estructura muestra cómo una proteína y una posible molécula medicinal quedaron acomodadas al encontrarse. Son experimentos costosos y, por su valor comercial, casi nunca salen de los archivos de las compañías.
El resultado, difundido el 14 de septiembre por la red AI Structural Biology, indica que esos datos farmacéuticos privados ayudaron al modelo a acertar más veces en una prueba reservada. Sin embargo, el avance actúa al comienzo de un proceso que puede tomar años: no cambia hoy un tratamiento, no descubre por sí solo un medicamento y no demuestra que una molécula sea segura o eficaz en personas.
Qué intenta resolver la IA en un laboratorio farmacéutico
Las proteínas realizan buena parte del trabajo dentro de las células. Cuando una participa en una enfermedad, una estrategia consiste en diseñar una molécula pequeña que se una a ella y modifique su actividad. El problema es que pequeñas diferencias en la forma o la orientación pueden decidir si el contacto funciona, no produce ningún efecto o afecta otra parte del organismo.
Las farmacéuticas usan técnicas como la cristalografía de rayos X y la microscopía crioelectrónica para observar esas uniones con detalle. Con los años acumulan familias enteras de compuestos probados contra un mismo objetivo. OpenFold3 aprende de esos ejemplos para estimar la posición tridimensional de una combinación nueva antes de fabricarla o someterla a más experimentos.
En la práctica, el modelo funciona como un filtro temprano. Si una empresa estudia miles o millones de moléculas posibles, una mejor predicción puede ayudar a escoger cuáles parecen más prometedoras para llevar al laboratorio. Eso podría ahorrar ensayos iniciales, tiempo y materiales. Aun así, una predicción informática no reemplaza las pruebas químicas, los estudios en células y animales, los ensayos clínicos ni la revisión de las autoridades sanitarias.
Un examen que mide la forma, no un medicamento
Para comprobar si el entrenamiento ayudaba, las empresas apartaron 1.056 estructuras que el sistema no debía ver durante el aprendizaje. Luego pidieron a varios modelos que reconstruyeran cómo se acomodaban la proteína y la molécula. Una medida evaluó la calidad del área donde ambas entran en contacto: AISB-1-Fed alcanzó el nivel alto en el 52,1 % de los casos, frente al 35,6 % de OpenFold3 Preview 2 y el 40,9 % de Boltz-2.
Otra medida observó si la molécula candidata, llamada ligando, quedaba colocada a menos de dos ángstroms de la posición observada en el experimento. El sistema entrenado con datos farmacéuticos privados acertó en el 46,8 % de los casos; el modelo de partida llegó al 28,9 % y Boltz-2 al 36,5 %. Un ángstrom equivale a una diezmilmillonésima de metro, una escala adecuada para comparar posiciones entre átomos.
Los porcentajes no significan que la IA haya encontrado medicamentos eficaces en la mitad de los intentos. Muestran con qué frecuencia reprodujo correctamente una geometría conocida dentro de este conjunto de prueba. La diferencia es relevante, aunque acotada: describe una tarea de modelado estructural y no toda la química, la toxicidad o la biología que una IA para descubrir fármacos debe enfrentar.
El modelo viajó; las moléculas se quedaron
Las compañías querían aprender unas de otras, pero no podían entregar los diseños de posibles fármacos que sostienen sus investigaciones. La solución fue el aprendizaje federado: cada socio recibió una copia del modelo, la entrenó dentro de su propia infraestructura y envió únicamente los ajustes matemáticos resultantes a un sistema central.
Ese sistema combinó las actualizaciones y devolvió una versión mejorada a los participantes. Es parecido a que cinco cocinas enseñaran a corregir una receta común sin revelar sus ingredientes ni permitir que alguien entrara a inspeccionar sus despensas. Las 20.167 estructuras originales permanecieron en los servidores de sus propietarios y nunca formaron una base de datos central.
Según el informe técnico, el entrenamiento también incorporó información pública del Protein Data Bank para evitar una especialización excesiva. El resumen de AISB calcula que ese archivo abierto reúne más de 240.000 estructuras, pero solo unas 10.600 contienen un fármaco aprobado o en investigación. Los archivos industriales conservan justo muchas de las interacciones que faltan; el aprendizaje federado permite aprovecharlas sin publicarlas.
Cómo podría sentirse fuera del laboratorio
Para una persona que hoy toma un medicamento, el resultado no tiene un efecto inmediato. No cambia dosis, tratamientos ni recomendaciones médicas. Su posible impacto está varios pasos antes: ayudar a los equipos de investigación a descartar antes las opciones menos convincentes y dedicar recursos a moléculas con una geometría más prometedora.
Incluso si ese filtro funciona mejor, desarrollar un fármaco sigue exigiendo comprobar cómo se comporta en sistemas biológicos, cuánto dura en el cuerpo, si llega al tejido adecuado y qué efectos adversos produce. Chemical & Engineering News recoge una estimación del proyecto Ligand-AI: estas herramientas podrían recortar meses de la etapa inicial, no convertir en breve un proceso total que suele extenderse entre 10 y 20 años.
Si futuras pruebas confirman la mejora, el beneficio cotidiano sería indirecto: una búsqueda inicial menos lenta y costosa podría permitir estudiar más candidatos con los mismos recursos. Pero no hay evidencia en este trabajo de que vaya a reducir el precio final de los medicamentos, acelerar su aprobación o aumentar la probabilidad de éxito en pacientes. Esos efectos dependerían de muchas etapas que aquí no se evaluaron.
La mejora también deja una brecha abierta
El examen no fue completamente externo. Cada empresa separó por proyecto el 5 % de sus estructuras, pero las 1.056 muestras de evaluación pertenecen a los mismos cinco socios. Tampoco se publicó un desglose por compañía o clase de proteína, y el trabajo no midió la fuerza real de la unión ni la capacidad para ordenar moléculas según su eficacia.
El informe no ha pasado por revisión por pares, el modelo final no está disponible para el público y otros científicos no pueden inspeccionar las estructuras privadas. La cobertura de Nature señala estas limitaciones. Además, una evaluación de privacidad encargada por el proyecto no halló riesgos significativos con los ataques informáticos probados, pero esa conclusión también procede del propio consorcio.
El Centro Común de Investigación de la Comisión Europea advierte que un buen resultado en benchmarks no basta para demostrar que un modelo biológico está listo para uso industrial o clínico. En este caso, el aprendizaje federado mostró que más información puede mejorar una IA para descubrir fármacos sin exponer los datos farmacéuticos privados. La siguiente prueba será demostrar que esa ventaja se mantiene en evaluaciones externas, revisadas y reproducibles.
