IA predice el fracaso de fármacos antes de probarlos en humanos

Compañías de inteligencia artificial colaboran con farmacéuticas para realizar ensayos clínicos virtuales en pacientes simulados, con el objetivo de anticipar si una molécula será segura y eficaz antes de iniciar costosas pruebas en humanos, un proceso donde actualmente el 88% de los fármacos experimentales fracasa.

El desarrollo de medicamentos enfrenta un cuello de botella histórico que la bioinformática intenta derribar mediante algoritmos: la tasa de aprobación de fármacos en ensayos clínicos se mantiene estancada en cerca del 12%, a pesar de que el sector desembolsa anualmente 140,000 millones de dólares en pruebas en humanos.

Frente a este escenario, firmas emergentes de inteligencia artificial implementan modelos predictivos para recrear la fisiología de pacientes y probar tratamientos en entornos computacionales, reduciendo tiempos que habitualmente toman años a simulaciones de un mes o menos.

Un caso representativo ocurrió con el laboratorio suizo Novartis y su tratamiento experimental del-desiran, enfocado en un tipo raro de distrofia muscular. Mientras la dirección de la farmacéutica estimaba ventas pico de 5,000 millones de dólares, la firma danesa BioinvestGPT ejecutó en julio una simulación en la que anticipó un beneficio clínico insignificante. Semanas después, el ensayo clínico tradicional no cumplió su objetivo, lo que provocó una caída del 11% en las acciones de Novartis y la pérdida de 30,000 millones de dólares en capitalización bursátil.

¿Cómo funcionan los ensayos clínicos virtuales?

Para construir estos entornos de prueba, herramientas como la desarrollada por BioinvestGPT procesan secuenciación de ADN para estructurar un modelo biológico digital que cumple con los criterios específicos de elegibilidad de un protocolo médico. Posteriormente, introducen la estructura computacional de la molécula para medir la respuesta celular y genética.

Otras plataformas, como QuantHealth, con sede en Tel Aviv, integran registros de salud y datos del mundo real para anticipar la respuesta a terapias dirigidas a afecciones como la colitis ulcerosa y el control del colesterol.

La lógica técnica busca responder a una pregunta operativa:

“No deberíamos solo preguntar cómo hacer pruebas más rápido. Deberíamos preguntarnos cómo realizar menos ensayos que vayan a fracasar”, señaló Francisco Beca, director médico de QuantHealth.

De acuerdo con un análisis de la consultora McKinsey, la inversión destinada al descubrimiento de medicamentos con IA pasó de niveles de 2023 a 8,400 millones de dólares en 2025. No obstante, Alex Devereson, socio de la consultora, puntualizó que las farmacéuticas apenas están comenzando a experimentar con la modelización virtual, usándola primordialmente para tasar programas antes de comprometer capital.

Los límites del algoritmo: sesgos y fallas de mecanismo

A pesar de los avances, la modelización computacional dista de sustituir la experimentación empírica. La biología humana presenta niveles de complejidad que escapan a los datos con los que se entrenan estas redes.

La propia BioinvestGPT reconoció limitaciones en sus proyecciones. La plataforma pronosticó éxito para el compuesto experimental pelacarseno de Novartis, diseñado para reducir la lipoproteína(a) en la sangre. Sin embargo, en septiembre, el ensayo clínico demostró que el fármaco no redujo infartos ni accidentes cerebrovasculares en pacientes con predisposición genética. Bragi Lovetrue, cofundador de la start-up en 2024 junto a Idonae Lovetrue, admitió que el modelo omitió variaciones genéticas críticas en el tamaño de la proteína.

El escepticismo persiste entre los científicos de desarrollo clínico:

• Takeda: Andy Plump, jefe de investigación de la farmacéutica, indicó que aunque utilizaron aprendizaje automático para estructurar una pastilla orientada a la diana genética TYK2, la IA no se encuentra en una etapa donde pueda arrojar predicciones definitivas.

• Biogen: Diana Gallagher, responsable de desarrollo clínico para esclerosis múltiple, inmunología y Alzheimer, advirtió que en padecimientos con pocos antecedentes —como el lupus, con solo dos biológicos aprobados— los algoritmos entrenados en datos históricos corren el riesgo de predecir sesgadamente resultados negativos.

Por ahora las autoridades sanitarias de Estados Unidos presentaron una serie de iniciativas diseñadas para acelerar la ejecución de ensayos clínicos. Según declaraciones de un funcionario federal de salud, si esta estrategia prospera, facilitará la integración formal de la inteligencia artificial predictiva en las fases de desarrollo regulatorio.

Para la comunidad de pacientes y los sistemas de salud, el refinamiento de estas herramientas plantea un dilema sobre los protocolos de investigación médica. En palabras de Francisco Beca, conforme las simulaciones ganen precisión hacia finales de la década, la industria deberá responder si resulta éticamente justificable someter a personas a ensayos clínicos cuyo fracaso biológico ya ha sido proyectado con antelación por modelos algorítmicos.