The short answer
Los prompts genéricos de IA fallan en la I+D farmacéutica porque carecen del contexto específico para la identificación de dianas, el análisis ADMET y la documentación regulatoria. Esta guía proporciona 25 prompts listos para usar, adaptados para investigadores farmacéuticos y biotecnológicos, cubriendo todo el proceso de descubrimiento, desde la síntesis bibliográfica y el análisis SAR hasta la redacción de secciones para la presentación a la FDA.
Los Modelos de Lenguaje Grande (LLM) pueden parecer una herramienta potente pero frustrantemente poco precisa para la investigación farmacéutica. Si se hace una pregunta genérica, se obtiene una respuesta genérica. La clave para desbloquear su valor no es solo saber *qué* preguntar, sino precisamente *cómo* preguntarlo. Un prompt bien estructurado transforma una IA generalista en un asistente especializado que puede acelerar su flujo de trabajo.
Esta no es otra lista de «prompts para científicos». Es una biblioteca curada y construida para las tareas específicas y de alto riesgo del descubrimiento y desarrollo de fármacos, desde la validación de dianas en etapas tempranas hasta la redacción regulatoria en etapas avanzadas. Los hemos organizado según las etapas reales de un proyecto de investigación. ZEKAI revisa todas las herramientas y flujos de trabajo de forma independiente; nuestras recomendaciones se basan en la aplicación práctica para profesionales que trabajan en campos como I+D farmacéutica y biotecnológica.
Antes de empezar, una advertencia crítica: Nunca introduzca datos propietarios, no publicados o identificables de pacientes en un LLM de acceso público. Trate estas herramientas como entornos no confiables. Úselas solo para analizar datos públicos, generar ideas y redactar textos basados en información no sensible.
Cómo Definimos un «Buen» Prompt Farmacéutico
Un prompt exitoso para la investigación farmacéutica debe ser:
- Específico: Nombra el tipo exacto de análisis, el formato de datos y el resultado deseado.
- Rico en Contexto: Proporciona al LLM la información de fondo necesaria, como el área terapéutica, la clase de diana o el marco regulatorio.
- Definición de Rol: Instruye a la IA para que actúe como un experto específico (por ejemplo, «Actúe como toxicólogo computacional»).
- Estructurado: Utiliza encabezados y marcadores de posición claros (por ejemplo,
[ID_COMPUESTO]) para guiar la salida.
—
1. Prompts para la Identificación y Validación de Dianas
Esta es la etapa fundamental, donde los LLM pueden actuar como un potente motor de síntesis bibliográfica y generación de hipótesis. El objetivo es conectar rápidamente enfermedades, genes y vías para identificar nuevas dianas prometedoras.
Actúe como biólogo molecular. Estoy investigando [NOMBRE_ENFERMEDAD], un trastorno de tipo [TIPO_ENFERMEDAD]. Mi diana propuesta es [NOMBRE_PROTEÍNA] (UniProt: [ID_UNIPROT]).
Basándose en la literatura disponible públicamente hasta su última actualización, proporcione un resumen conciso de la evidencia que apoya o refuta la asociación entre [NOMBRE_PROTEÍNA] y la fisiopatología de [NOMBRE_ENFERMEDAD].
Organice la salida en las siguientes secciones:
1. **Resumen Ejecutivo (3 oraciones):** Indique la fuerza general de la asociación.
2. **Evidencia de Apoyo:** Enumere los hallazgos clave de estudios genéticos, preclínicos y clínicos que vinculan la diana con la enfermedad. Utilice viñetas y cite los ID de PubMed (PMID) cuando sea posible.
3. **Evidencia Contradictoria:** Enumere cualquier hallazgo que cuestione la asociación.
4. **Lagunas de Conocimiento e Investigación Futura:** Identifique las preguntas clave sin respuesta.
Actúe como líder de proyecto de descubrimiento de fármacos. Cree un resumen de expediente de diana para [SÍMBOLO_GEN] en el contexto de [ÁREA_TERAPÉUTICA]. El resumen debe tener un máximo de 500 palabras y estar formateado para una presentación de diapositivas.
Incluya las siguientes secciones:
- **Diana y Mecanismo:** ¿Qué es la proteína y cuál es su función biológica principal?
- **Vínculo con la Enfermedad:** ¿Cuál es la hipótesis central que vincula esta diana con [NOMBRE_ENFERMEDAD]?
- **Evaluación de Druggability:** ¿Se considera "druggable" (con potencial para ser diana de un fármaco) esta clase de diana (por ejemplo, quinasa, GPCR, factor de transcripción)? ¿Existen ligandos conocidos o compuestos herramienta?
- **Preocupaciones de Seguridad/Toxicidad:** ¿Existen responsabilidades conocidas basadas en el perfil de expresión de la diana o los datos fenotípicos de knockout?
- **Próximos Pasos Propuestos:** ¿Cuáles son los 2-3 experimentos clave necesarios para validar esta diana?
Mi equipo está considerando [DIANA_PROTEICA] para [ENFERMEDAD]. La proteína es una [CLASE_PROTEICA, por ejemplo, 'proteína andamio sin sitio activo conocido'].
Actuando como un panel de químicos medicinales y biólogos químicos, genere tres estrategias distintas para "druggar" esta diana "no druggable". Para cada estrategia, describa:
1. **El Enfoque:** (por ejemplo, pegamento molecular, PROTAC, estabilizador, modulador alostérico).
2. **Justificación:** ¿Por qué este enfoque es adecuado para [DIANA_PROTEICA]?
3. **Desafíos Clave:** ¿Cuáles son los principales obstáculos para esta estrategia?
4. **Puntos de Partida:** ¿Qué cribados o ensayos iniciales propondría?
Si bien estos prompts aceleran la investigación inicial, las plataformas de IA dedicadas a la identificación de dianas, como Standigm ASK, utilizan grafos de conocimiento propietarios para realizar este análisis de forma sistemática. El análisis SERP señala correctamente que Standigm ASK es para la identificación de dianas, lo que precede al trabajo de diseño molecular realizado por plataformas como Genesis Therapeutics.
2. Prompts para la Síntesis Bibliográfica e Inteligencia Competitiva
Los investigadores dedican una enorme cantidad de tiempo a examinar artículos y patentes. Los LLM pueden clasificar y sintetizar este flujo de información de manera efectiva.
El costo promedio estimado para desarrollar un nuevo fármaco, incluyendo los fracasos, lo que subraya la necesidad de eficiencia en cada etapa. Source: ncbi.nlm.nih.gov
Actúe como analista de inteligencia competitiva para una empresa de biotecnología. Estoy desarrollando un [TIPO_MODALIDAD, por ejemplo, 'inhibidor de molécula pequeña'] para [NOMBRE_DIANA].
Busque en el dominio público (registros de ensayos clínicos, comunicados de prensa, publicaciones recientes) y genere una tabla en formato markdown que resuma todos los candidatos a fármacos conocidos que tienen como diana a [NOMBRE_DIANA].
Las columnas de la tabla deben ser:
- **Nombre de la Empresa**
- **Nombre del Compuesto** (si es público)
- **Modalidad** (por ejemplo, Molécula Pequeña, Anticuerpo, ASO)
- **Fase de Desarrollo** (por ejemplo, Preclínica, Fase I, Fase II)
- **Dato Más Reciente** (por ejemplo, "Presentado en ASCO 2026", "Publicado en Nature") y la URL de la fuente si está disponible.
Estoy proporcionando resúmenes de tres artículos de revisión sobre [TEMA, por ejemplo, 'el papel del inflamasoma NLRP3 en la neuroinflamación'].
Resumen 1: [Pegar Resumen 1]
Resumen 2: [Pegar Resumen 2]
Resumen 3: [Pegar Resumen 3]
Sintetice estos resúmenes en un único y coherente resumen narrativo de 300 palabras. Su resumen debe:
1. Identificar los puntos de consenso entre las tres revisiones.
2. Destacar cualquier área de desacuerdo o énfasis diferente.
3. Extraer las principales "perspectivas futuras" o "preguntas sin respuesta" mencionadas por los autores.
He subido un artículo científico: [Proporcione el texto del artículo o el enlace si usa una herramienta que pueda acceder a él].
Actúe como asistente de investigación. Extraiga la siguiente información y preséntela en un formato estructurado:
- **Hipótesis Principal:** ¿Cuál fue la pregunta principal que el estudio pretendía responder?
- **Modelos Clave Utilizados:** (por ejemplo, líneas celulares, modelos animales).
- **Ensayos Primarios:** (por ejemplo, Western Blot, ELISA, RNA-seq).
- **Hallazgos Centrales:** Resuma los resultados principales en 3-5 viñetas, incluyendo datos cuantitativos cuando sea posible (por ejemplo, "El compuesto X mostró una reducción del 50% en el volumen tumoral (p<0.05)").
- **Conclusión Principal de los Autores:** ¿Cuál fue su interpretación final de los resultados?
3. Prompts para la Interpretación de Predicciones ADMET y Toxicidad
Si bien los modelos especializados predicen las propiedades ADMET (Absorción, Distribución, Metabolismo, Excreción y Toxicidad), los LLM pueden ayudar a interpretar la salida, cotejar los hallazgos con datos públicos y redactar resúmenes para no especialistas.
Actúe como toxicólogo computacional. Tengo las siguientes propiedades ADMET predichas para una nueva entidad química, [ID_COMPUESTO]:
- **LogP:** 3.8
- **Solubilidad Acuosa (logS):** -4.5
- **Inhibición de hERG (pIC50):** 5.2
- **Inhibición de CYP3A4:** Alta probabilidad
- **Mutagenicidad de Ames Predicha:** Negativa
Basándose en este perfil, proporcione una evaluación de riesgos. Estructure su respuesta de la siguiente manera:
1. **Evaluación General:** Un resumen de una oración sobre la viabilidad del compuesto.
2. **Responsabilidades Clave:** Identifique los 2-3 riesgos principales (por ejemplo, "La alta probabilidad de inhibición de CYP3A4 sugiere un riesgo significativo de interacciones fármaco-fármaco.").
3. **Propiedades Favorables:** ¿Qué aspectos del perfil son positivos?
4. **Mitigación/Próximos Pasos:** Sugiera 2-3 experimentos específicos o modificaciones químicas para abordar las responsabilidades (por ejemplo, "Sintetizar análogos con lipofilicidad reducida para disminuir el riesgo de hERG.").
Actúe como redactor regulatorio. Basándose en los siguientes hallazgos toxicológicos preclínicos para [CANDIDATO_FÁRMACO], escriba un borrador de párrafo de resumen para una solicitud de Nuevo Fármaco en Investigación (IND). El tono debe ser formal, objetivo y basado en datos.
**Hallazgos:**
- Estudio de toxicología en ratas de 14 días, administración oral por sonda.
- No hubo mortalidad hasta 100 mg/kg.
- A 100 mg/kg, se observó una elevación leve y reversible de las enzimas hepáticas (ALT/AST) (<2x LSN).
- La histopatología del hígado a 100 mg/kg mostró una hipertrofia centrilobulillar mínima, que se resolvió después de un período de recuperación de 7 días.
- El Nivel Sin Efecto Adverso Observado (NOAEL) se determinó en 30 mg/kg.
**Resultado Esperado:** Un párrafo conciso que resuma estos hallazgos para una audiencia regulatoria.
Mi compuesto principal, [NOMBRE_COMPUESTO], que tiene una porción [SUBESTRUCTURA_QUÍMICA, por ejemplo, '2-aminopiridina'], fue marcado por posible hepatotoxicidad en un modelo predictivo.
Actúe como químico medicinal. Busque en bases de datos públicas (por ejemplo, PubChem, ChEMBL) y en la literatura evidencia de hepatotoxicidad asociada con el andamio [SUBESTRUCTURA_QUÍMICA].
Proporcione un resumen que incluya:
1. ¿Es esta una alerta estructural bien conocida para la lesión hepática?
2. Enumere 2-3 ejemplos de fármacos o compuestos conocidos con esta porción y su perfil de seguridad hepática asociado.
3. Sugiera reemplazos bioisostéricos para la [SUBESTRUCTURA_QUÍMICA] que podrían mitigar este riesgo mientras se preserva la actividad de la diana.
4. Prompts para el Análisis de la Relación Estructura-Actividad (SAR)
Los LLM no pueden reemplazar la intuición de un químico medicinal, pero pueden ayudar a organizar los datos SAR y sugerir hipótesis para la siguiente ronda de síntesis.
Actúe como químico medicinal. Estoy proporcionando una tabla de datos de análogos para una serie de inhibidores contra [PROTEÍNA_DIANA].
| Compound ID | R1 Group | R2 Group | IC50 (nM) | LE (Ligand Efficiency) |
|---|---|---|---|---|
| Cmpd-01 | H | Phenyl | 500 | 0.25 |
| Cmpd-02 | Me | Phenyl | 250 | 0.26 |
| Cmpd-03 | H | 4-Cl-Phenyl | 50 | 0.31 |
| Cmpd-04 | H | 2-F-Phenyl | 800 | 0.23 |
| Cmpd-05 | Me | 4-Cl-Phenyl | 25 | 0.33 |
Basándose en estos datos, genere un resumen SAR conciso.
- ¿Cuál es el efecto de la metilación en R1?
- ¿Cómo afecta la sustitución en el anillo fenilo R2 a la potencia?
- ¿Existe un "acantilado de actividad" obvio (por ejemplo, la sustitución 2-F)?
- Basándose en estos datos limitados, ¿cuál es el cuadrante más prometedor para la exploración (por ejemplo, "grupos alquilo pequeños en R1 combinados con fenilos para-halogenados en R2")?
Basándose en el resumen SAR del prompt anterior, y con el objetivo de mejorar tanto la potencia como la eficiencia del ligando, proponga una lista de 5 nuevas estructuras químicas específicas para sintetizar a continuación.
Para cada análogo propuesto, proporcione:
1. **Estructura:** (Describa los grupos R1 y R2).
2. **Hipótesis:** ¿Por qué se propone este análogo? (por ejemplo, "Para probar si un grupo ciclopropilo en R1 puede mejorar la LE mientras se mantiene la potencia de Cmpd-05.").
3. **Riesgo Potencial:** ¿Cuál es un posible resultado negativo? (por ejemplo, "El volumen adicional puede crear un choque estérico.").
Nuestro equipo de proyecto acaba de completar una campaña para optimizar un compuesto hit, [ID_HIT]. Sintetizamos 50 análogos. Los hallazgos clave fueron:
- La potencia mejoró de 1 µM a 10 nM.
- El principal impulsor de la potencia fue una [INTERACCIÓN_CLAVE, por ejemplo, 'enlace de hidrógeno con Serina-252'].
- Sin embargo, todos los compuestos potentes sufrieron de baja permeabilidad (Caco-2 < 1 x 10^-6 cm/s) y alta unión a proteínas plasmáticas (>99%).
Actúe como líder de proyecto y escriba un párrafo de "Lecciones Aprendidas" para los archivos del proyecto. Resuma las conclusiones clave para futuros proyectos dirigidos a [PROTEÍNA_DIANA].
5. Prompts para la Redacción Regulatoria y de Subvenciones
La redacción de documentos para la FDA o el NIH es altamente estructurada y repetitiva, lo que la convierte en un caso de uso ideal para los LLM. Pueden crear un borrador sólido que un experto humano puede luego refinar.
El número de presentaciones regulatorias con componentes de IA/ML revisadas por la FDA desde 2016, lo que indica una rápida adopción y una creciente aceptación regulatoria de estas tecnologías. Source: fda.gov
Actúe como especialista regulatorio de CMC. Necesito redactar una subsección para una solicitud de IND.
**Tema:** 3.2.S.2.2 Descripción del Proceso de Fabricación y Controles de Proceso
**Información:** La sustancia farmacológica, [NOMBRE_API], se sintetiza mediante una síntesis lineal de 3 pasos.
- Paso 1: Acoplamiento de Suzuki de [Material de Partida A] y [Material de Partida B] utilizando un catalizador de paladio.
- Paso 2: Desprotección de Boc utilizando ácido trifluoroacético.
- Paso 3: Formación de sal con ácido clorhídrico para obtener el API final.
- Cada paso es seguido por purificación mediante cristalización.
Escriba un párrafo formal y descriptivo que detalle este proceso de fabricación adecuado para una presentación a la FDA. Mencione los materiales de partida, los reactivos y los métodos de purificación.
Actúe como un experimentado redactor de subvenciones del NIH. Quiero escribir una propuesta de subvención R01.
**Idea del Proyecto:** Desarrollar un nuevo degradador PROTAC para [PROTEÍNA_DIANA], que está implicada en [ENFERMEDAD]. Tenemos datos preliminares que muestran que nuestro degradador principal, [COMPUESTO_X], reduce los niveles de proteína en un 90% in vitro.
Genere un esquema detallado para la página de "Objetivos Específicos" de la subvención. El esquema debe incluir:
- Un párrafo introductorio convincente que plantee el problema.
- **Objetivo Específico 1:** (por ejemplo, Optimizar el degradador principal para mejorar la potencia y las propiedades DMPK). Incluya 2 sub-objetivos.
- **Objetivo Específico 2:** (por ejemplo, Demostrar la eficacia in vivo en un modelo de ratón de [ENFERMEDAD]). Incluya 2 sub-objetivos.
- Un párrafo final de "beneficio" que resuma los resultados esperados y el impacto.
Tome el siguiente texto informal y reescríbalo en la voz formal y pasiva típica de un documento de guía de la FDA.
**Texto Informal:** "Creemos que nuestro modelo de IA es bastante bueno porque lo probamos en conjuntos de datos de tres hospitales diferentes. Nos aseguramos de verificar el sesgo contra diferentes grupos de edad y parecía estar bien. Planeamos vigilarlo después del lanzamiento para asegurarnos de que no se desvíe."
**Resultado Esperado:** Un párrafo reescrito en lenguaje regulatorio formal, utilizando términos como "validación", "subpoblaciones", "robustez" y "vigilancia post-comercialización".
Bonus: Prompts de Utilidad General
Estos prompts son útiles en todas las etapas del ciclo de vida de la investigación.
- Explicar un concepto:
Explique [TEMA_COMPLEJO, por ejemplo, 'modelado farmacocinético-farmacodinámico (PK/PD)'] a un estudiante de posgrado nuevo. Utilice una analogía para ayudar a aclarar. - Generación de código:
Escriba un script de Python utilizando la biblioteca RDKit que tome una lista de cadenas SMILES, calcule LogP y TPSA para cada una, y genere un archivo CSV. - Resumir una reunión:
Estoy pegando la transcripción de una reunión del equipo del proyecto. Resuma las decisiones clave tomadas y enumere los elementos de acción, asignando cada uno a la persona correcta. - Criticar una hipótesis:
Actúe como un revisor escéptico. ¿Cuáles son las tres mayores debilidades o suposiciones no probadas en la siguiente hipótesis: [PEGAR_HIPÓTESIS]. - Ideas para visualización de datos:
Tengo un conjunto de datos con la potencia, permeabilidad y estabilidad metabólica de un compuesto. Sugiera tres tipos diferentes de gráficos en Plotly que podrían usarse para visualizar las relaciones en estos datos. - Traducir para otra audiencia:
Tome este resumen técnico de nuestra campaña de optimización de leads y reescríbalo como una actualización de un párrafo para un equipo de liderazgo ejecutivo no científico. - Generar esquema de protocolo:
Cree un esquema de protocolo experimental detallado para un ensayo de Western blot para medir los niveles de [PROTEÍNA_DE_INTERÉS] en células [LÍNEA_CELULAR] después del tratamiento con un compuesto de prueba.
Al pasar de preguntas genéricas a prompts altamente estructurados y específicos del dominio, puede convertir un LLM en un socio genuinamente útil en su investigación. Estos prompts proporcionan un punto de partida; los mejores resultados provendrán de adaptarlos y refinarlos para sus proyectos y datos específicos. A medida que la IA se integre más en la I+D, dominar el arte del prompt será una habilidad crítica para todo investigador en la industria farmacéutica y biotecnológica.
¿Cómo puede la IA ayudar en el descubrimiento de fármacos?
Sí, la IA puede acelerar el descubrimiento de fármacos analizando vastos conjuntos de datos para identificar nuevas dianas biológicas, diseñando nuevas moléculas con propiedades deseadas, prediciendo la seguridad y eficacia de un compuesto, y sintetizando información de millones de artículos científicos. Esto permite a los investigadores priorizar candidatos más prometedores y reducir los costosos fracasos.
¿Se puede usar ChatGPT para el diseño de fármacos?
Depende. Si bien los LLM de propósito general como ChatGPT no pueden realizar las complejas simulaciones biofísicas necesarias para un verdadero diseño de fármacos *de novo*, son útiles para tareas adyacentes. Esto incluye la generación de ideas para modificaciones químicas, la síntesis de relaciones estructura-actividad y la escritura de código para análisis, pero no para generar estructuras moleculares novedosas y validadas por sí solos.
¿Cuáles son las limitaciones de usar prompts de IA para la investigación farmacéutica?
Las limitaciones principales son la privacidad de los datos, la precisión y el contexto. Los LLM públicos nunca deben usarse con datos propietarios. Sus resultados pueden ser erróneos con confianza («alucinar»), lo que requiere verificación experta para cada afirmación. También carecen de acceso en tiempo real a las últimas investigaciones, a menudo con un retraso de varios meses o más.
¿Qué tan específicos deben ser mis prompts?
Extremadamente específicos. La calidad de la salida es directamente proporcional a la calidad del prompt. Un buen prompt define el rol de la IA, proporciona contexto relevante (como la enfermedad o la diana), especifica el formato de salida deseado (como una tabla o un resumen) y da instrucciones claras e inequívocas.
¿Puede la IA ayudar a interpretar datos de cribado de alto rendimiento (HTS)?
Sí, la IA es muy adecuada para el análisis de datos HTS. Si bien se utilizan modelos de aprendizaje automático especializados para construir los clasificadores primarios de selección de hits, un LLM puede ayudar redactando resúmenes de los resultados, identificando posibles falsos positivos basados en andamios conocidos que interfieren con los ensayos y cotejando los compuestos hit con datos de cribado históricos.
¿Se está utilizando la IA para el diseño de ensayos clínicos?
Sí, la IA se utiliza cada vez más para optimizar los ensayos clínicos. Las aplicaciones incluyen la identificación de poblaciones de pacientes ideales utilizando datos del mundo real, la predicción de sitios de ensayo con el mejor potencial de reclutamiento y el análisis de datos para encontrar señales tempranas de eficacia o problemas de seguridad. Esto puede ayudar a que los ensayos sean más rápidos y tengan más probabilidades de éxito.
¿Cómo ve la FDA la IA en el desarrollo de fármacos?
La FDA está desarrollando activamente un marco regulatorio para las herramientas basadas en IA/ML. Su enfoque, descrito en documentos como el Plan de Acción AI/ML SaMD, se centra en un enfoque de «ciclo de vida total del producto». Esto incluye buenas prácticas de aprendizaje automático (GMLP), la gestión del sesgo algorítmico y la exigencia de planes sobre cómo se actualizarán los modelos después de la aprobación (Planes de Control de Cambios Predeterminados).
Adónde ir ahora
Tres rutas, elegidas según lo que acabas de leer.
Fuentes (24)
- [ACSH] Clinical Trial Success Rates by Phase and Therapeutic Area. (June 11, 2020). *acsh.org*
- [Centre For Human Specific Research] The Reality of Drug Discovery and Development. (December 12, 2024). *human-specific.org*
- [BIO] Clinical Development Success Rates and Contributing Factors 2011–2020. (February 2021). *bio.org*
- [Drug Target Review] AI in drug discovery: predictions for 2026. (February 16, 2026). *drugtargetreview.com*
- [Companies History] AI In Drug Discovery Market Statistics 2026. (September 2, 2026). *companieshistory.com*
- [IntuitionLabs] FDA AI/ML SaMD Guidance: Complete 2026 Compliance Guide. (March 5, 2026). *intuitionlabs.com*
- [Norstella] Why Are Clinical Development Success Rates Falling? (May 16, 2024). *norstella.com*
- [arXiv] Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials. (September 6, 2024). *arxiv.org*
- [Applied Clinical Trials] Transforming Drug Safety Through Artificial Intelligence, Large Language Models. (March 4, 2026). *appliedclinicaltrialsonline.com*
- [Mayer Brown] The FDA AI/ML SaMD Framework: What Companies Need to Know Now. (September 1, 2026). *mayerbrown.com*
- [Drug Discovery News] The 2026 AI power shift. (February 24, 2026). *drugdiscoverynews.com*
- [PMC] Factors Affecting Success of New Drug Clinical Trials. (May 11, 2023). *ncbi.nlm.nih.gov*
- [FDA] Artificial Intelligence for Drug Development. (May 1, 2026). *fda.gov*
- [Jama Software] Navigating FDA AI Guidance for Medical Devices: A Practical Guide. (February 3, 2026). *jamasoftware.com*
- [Capital Cell] The 2.6 Billion Dollar Pill. (July 3, 2025). *capitalcell.net*
- [Mordor Intelligence] AI in Drug Discovery Market Size, Growth & Drivers Research Report 2031. (April 13, 2026). *mordorintelligence.com*
- [FDA] Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan. (January 2021). *fda.gov*
- [European Pharmaceutical Review] Integrating large language models (LLMs) with traditional drug discovery methods. (September 8, 2025). *europeanpharmaceuticalreview.com*
- [PMC] Large Language Models and Their Applications in Drug Discovery and Development: A Primer. (April 10, 2025). *ncbi.nlm.nih.gov*
- [Wikipedia] Cost of drug development. *en.wikipedia.org*
- [PMC] large language models in clinical trials: applications, technical advances, and future directions. (October 14, 2025). *ncbi.nlm.nih.gov*
- [CBO] Research and Development in the Pharmaceutical Industry. (April 8, 2021). *cbo.gov*
- [RAND] Typical Cost of Developing a New Drug Is Skewed by Few High-Cost Outliers. (January 7, 2025). *rand.org*
- [PMC] How Much Does It Cost to Research and Develop a New Drug? A Systematic Review and Assessment. *ncbi.nlm.nih.gov*
Ve Zekai primero en Google
El briefing semanal de IA para tu profesión
Un correo semanal: los cambios de IA que realmente afectan a tu profesión — herramientas, ofertas y qué hacer al respecto.
