IA para el Descubrimiento de Fármacos: Guía Paso a Paso (2026)

Actualizado 16 Oct 2026 · Revisado por el equipo editorial de Zekai

La inteligencia artificial es ahora una herramienta estándar en I+D farmacéutica y biotecnológica, pero no es una solución única y mágica. Es un conjunto de técnicas computacionales aplicadas en distintas etapas del largo, costoso y propenso a fallos proceso de llevar un nuevo fármaco al mercado. Para los investigadores en activo, la clave es saber qué tipo de IA usar para cada tarea. Esta guía proporciona el flujo de trabajo práctico, etapa por etapa, utilizado en la industria a partir de septiembre de 2026, nombrando el software y los procesos involucrados.

Este flujo de trabajo es cómo los investigadores en los principales laboratorios de innovación farmacéutica y biotecnológica integran la IA en su trabajo diario. ZEKAI revisa todas las herramientas de forma independiente; nuestras recomendaciones se basan en datos disponibles públicamente y en nuestro análisis del mercado actual.

La tasa de éxito de los ensayos clínicos de Fase II para fármacos descubiertos con IA es de alrededor del 40%, lo que está a la par con el promedio histórico de la industria. Si bien la IA ha mejorado drásticamente las tasas de éxito de seguridad de Fase I a un 80-90%, aún no ha resuelto el desafío mayor de la eficacia clínica.

El Flujo de Trabajo de 6 Pasos para el Descubrimiento de Fármacos con IA

La IA no reemplaza el método científico; lo acelera y lo refina. Los programas de descubrimiento más efectivos utilizan la IA y los experimentos de laboratorio en un ciclo de retroalimentación continuo: la IA propone posibilidades, los experimentos las validan y los datos resultantes mejoran la próxima generación de modelos.

Aquí está el proceso de seis pasos, desde la hipótesis biológica inicial hasta la preparación para la presentación regulatoria.

Paso 1: Identificación y Validación de Objetivos

Qué es: El primer paso es decidir *qué* proceso biológico atacar. Esto implica identificar una proteína, gen o vía que desempeñe un papel causal en una enfermedad y sea «farmacológicamente abordable» (druggable), lo que significa que una pequeña molécula o un biológico puede modular su actividad de forma segura.

Cómo ayuda la IA: Esta etapa dependía tradicionalmente de años de investigación académica. Hoy en día, las plataformas de IA actúan como potentes motores de conocimiento. Ingieren y conectan conjuntos de datos masivos y dispares —genómica, proteómica, datos clínicos y millones de artículos científicos— para sacar a la luz nuevas conexiones entre genes y enfermedades.

• Grafos de Conocimiento: Plataformas como BenevolentAI y PandaOmics de Insilico Medicine construyen vastas redes de relaciones biológicas para proponer objetivos novedosos que los investigadores humanos podrían pasar por alto.
• Análisis de Literatura: Los modelos de PNL (Procesamiento de Lenguaje Natural) clasifican millones de publicaciones para encontrar evidencia que apoye o contradiga un objetivo potencial, ahorrando miles de horas de investigación.
• Análisis Ómico: Los modelos de aprendizaje automático analizan datos genómicos y proteómicos de poblaciones de pacientes para encontrar correlaciones estadísticamente significativas entre marcadores biológicos específicos y estados de enfermedad.

El resultado de este paso no es un fármaco; es una hipótesis altamente validada con una sólida justificación biológica y respaldada por datos.

Paso 2: Cribado Virtual y Generación de Moléculas De Novo

Qué es: Una vez seleccionado un objetivo, comienza la búsqueda de un «éxito» (hit). Históricamente, esto implicaba el cribado de alto rendimiento (HTS), donde los robots prueban físicamente millones de compuestos de una biblioteca química contra la proteína objetivo. Esto es lento, costoso y limitado por el contenido de la biblioteca.

Cómo ayuda la IA: La IA ofrece dos enfoques más rápidos, económicos y expansivos.

1. Cribado Virtual de Alto Rendimiento (vHTS): En lugar del cribado físico, los modelos de IA predicen qué tan bien se unirán miles de millones de compuestos digitales al objetivo. Plataformas como Atomwise utilizan el aprendizaje profundo para cribar vastas bibliotecas virtuales (que contienen más moléculas de las que existen en la Tierra) en días, no meses, identificando un conjunto más pequeño y prometedor de candidatos para la síntesis.
2. Diseño De Novo (Generativo): Aquí es donde la IA generativa brilla. En lugar de solo cribar moléculas existentes, estas plataformas diseñan moléculas completamente nuevas desde cero, optimizadas para la estructura 3D específica del objetivo y las propiedades deseadas. Esto permite a los investigadores explorar un espacio químico novedoso más allá de las bibliotecas existentes.

Swipe the table sideways →

Paso 3: Predicción ADMET y de Toxicidad

Qué es: Una molécula que se une perfectamente a su objetivo es inútil si es tóxica, no puede ser absorbida por el cuerpo o se metaboliza instantáneamente. ADMET significa Absorción, Distribución, Metabolismo, Excreción y Toxicidad, las propiedades clave que determinan si un compuesto puede convertirse en un fármaco.

Cómo ayuda la IA: La predicción temprana de las propiedades ADMET es una de las contribuciones más significativas de la IA. Históricamente, los problemas de ADMET fueron una causa principal de fallos en etapas avanzadas, después de que se hubieran gastado cientos de millones de dólares.

Los modelos de IA se entrenan con vastos conjuntos de datos de compuestos históricos para predecir estas propiedades *in silico* (computacionalmente) antes de que una molécula sea sintetizada. Esto permite a los equipos:

• Clasificación Temprana: Eliminar compuestos con alta probabilidad de toxicidad o farmacocinética (PK) deficiente en la etapa de diseño.
• Optimizar la Seguridad: Utilizar modelos generativos para modificar un compuesto prometedor, mejorando su perfil de seguridad mientras se mantiene la potencia.
• Reducir las Pruebas en Animales: Al señalar posibles fallos computacionalmente, la IA reduce el número de compuestos que necesitan avanzar a estudios preclínicos en animales.

Aunque ningún modelo es perfecto, la predicción ADMET impulsada por IA mejora significativamente la calidad de los candidatos que avanzan, lo cual es una razón importante por la que los fármacos descubiertos con IA muestran tasas de éxito del 80-90% en los ensayos de seguridad de Fase I.

Paso 4: Optimización de Compuestos Líderes

Qué es: Los compuestos «éxito» (hit) del Paso 2 rara vez son perfectos. La optimización de compuestos líderes es un ciclo iterativo donde los químicos sintetizan y prueban docenas de variaciones de una molécula prometedora para mejorar sus propiedades: aumentar la potencia, mejorar la selectividad y refinar su perfil ADMET.

Cómo ayuda la IA: Este ciclo de «diseñar-fabricar-probar-analizar» se acelera drásticamente con la IA.

• Optimización Multiparamétrica (MPO): Plataformas generativas como Iktos pueden tomar un compuesto líder y sugerir modificaciones que mejoran simultáneamente múltiples propiedades, navegando por las complejas compensaciones que desafían a los químicos medicinales.
• Orientación Predictiva: En lugar de depender únicamente de la intuición química, los químicos utilizan las predicciones de IA para decidir qué modificaciones tienen más probabilidades de éxito, concentrando los recursos del laboratorio en las mejores apuestas.
• Gestión de Datos: Plataformas como Convexia ayudan a gestionar la enorme cantidad de datos generados durante este ciclo iterativo. Al estructurar datos de diferentes experimentos (ej., ensayos de potencia, pruebas de solubilidad), crean los conjuntos de datos de alta calidad necesarios para entrenar modelos predictivos más precisos para el siguiente ciclo.

Este bucle de laboratorio húmedo/laboratorio seco, donde las predicciones computacionales guían el trabajo de laboratorio y los resultados de laboratorio refinan los modelos, es el núcleo del descubrimiento de fármacos moderno impulsado por la IA.

Paso 5: Planificación de la Síntesis (Retrosíntesis)

Qué es: Una molécula bellamente diseñada no tiene valor si los químicos no pueden averiguar cómo fabricarla. La retrosíntesis es el proceso de trabajar hacia atrás desde una molécula final para determinar una vía de reacción química viable paso a paso.

Cómo ayuda la IA: Las herramientas de retrosíntesis impulsadas por IA analizan una molécula objetivo y proponen un plan de síntesis, a menudo en minutos. Plataformas como Manifold de PostEra y Spaya de Iktos están entrenadas con millones de reacciones químicas publicadas. Pueden:

• Identificar vías de reacción conocidas.
• Predecir la probabilidad de éxito de una reacción.
• Sugerir rutas alternativas para evitar pasos costosos o de bajo rendimiento.

Esta capacidad es crucial para la IA generativa. Al integrar una puntuación de sintetizabilidad directamente en el proceso de diseño, estas plataformas evitan crear «moléculas de fantasía» que son imposibles de producir, asegurando que la creatividad computacional se base en la química del mundo real.

Paso 6: Puntos de Control Regulatorios y de Cumplimiento

Qué es: El desarrollo de fármacos opera bajo una estricta supervisión regulatoria, principalmente de agencias como la Administración de Alimentos y Medicamentos de EE. UU. (FDA). Todos los datos presentados para respaldar una nueva solicitud de fármaco deben ser confiables, fidedignos y auditables.

Cómo ayuda la IA: La IA no está exenta de los requisitos regulatorios. Su uso en entornos GxP (Buenas Prácticas) introduce nuevos desafíos de cumplimiento, particularmente en torno a la integridad de los datos y la validación del modelo.

• Rastros de Auditoría (21 CFR Parte 11): Cualquier sistema de IA que cree o modifique un registro utilizado en una presentación regulatoria debe cumplir con la 21 CFR Parte 11. Esto significa que el sistema debe tener rastros de auditoría seguros, generados por computadora y con marca de tiempo que documenten cada acción. Para una IA, esto debe incluir no solo la acción del usuario, sino también la versión del modelo utilizada, los datos de entrada y la salida bruta antes de la revisión humana.
• Desarrollo de Fármacos Basado en Modelos (MIDD): La FDA fomenta activamente el uso de modelos computacionales a través de su programa de Desarrollo de Fármacos Basado en Modelos (MIDD). Este marco proporciona una vía para que los patrocinadores discutan y obtengan retroalimentación sobre su uso de modelos de IA/ML en presentaciones regulatorias, tratando la salida del modelo como una fuente válida de evidencia cuando se valida correctamente.
• Plan de Acción de IA/ML: El Plan de Acción de IA/ML de la FDA describe su enfoque para regular algoritmos de «aprendizaje» adaptativos, incluyendo el concepto de un «Plan de Control de Cambios Predeterminado», donde los fabricantes pueden preespecificar cómo evolucionará su modelo después de la aprobación sin requerir una nueva presentación para cada actualización.

Para los investigadores, esto significa documentar el «contexto de uso» para cada herramienta de IA: ¿qué pregunta se utilizó para responder, con qué datos se entrenó, cómo se validó y cómo se revisan y registran sus resultados?

Errores Comunes y Limitaciones

La IA es una herramienta poderosa, pero no es una panacea. Las principales barreras a menudo no son los algoritmos, sino los datos.

• Calidad de los Datos: Los modelos de IA son tan buenos como los datos con los que se entrenan. Los datos experimentales ruidosos, escasos o mal estructurados conducen a predicciones poco fiables.
• El Problema del «Proxy»: La mayoría de las pruebas de laboratorio (proxies) son sustitutos imperfectos de lo que ocurre en el cuerpo humano. Un modelo de IA puede optimizarse perfectamente para un punto final proxy defectuoso, lo que lleva a un compuesto que funciona en una placa pero falla en un paciente.
• Interpretabilidad: Muchos modelos de aprendizaje profundo son «cajas negras», lo que dificulta entender *por qué* hicieron una determinada predicción. Esto puede dificultar que los científicos confíen en el resultado y construyan nuevas hipótesis.
• El Cuello de Botella de la Eficacia: Si bien la IA ha demostrado ser efectiva en el diseño de moléculas seguras (superando la Fase I), aún no ha mejorado significativamente la tasa de fracaso de la Fase II, que es donde se prueban los fármacos para la eficacia. Este sigue siendo el principal desafío de la industria.

El futuro de la IA en el descubrimiento de fármacos depende de la generación de datos biológicos de mayor calidad y más relevantes, y de la construcción de modelos que sean más interpretables para los científicos humanos que, en última instancia, deben tomar las decisiones. Como profesional en I+D farmacéutica y biotecnológica, comprender tanto el poder como los límites de estas herramientas es esencial.