Infraestructura de datos nativos de biología para la era de la IA: cómo se está construyendo la próxima generación de biotechs
Infraestructura de datos biológicos es uno de los temas más candentes de la ciencia aplicada hoy, y con razón. Con los costos de computación cayendo y los modelos madurando cada trimestre, la ventaja competitiva en el desarrollo global de medicamentos ya no depende solo de tener el mejor algoritmo — depende de innovar en toda la pila de datos que alimenta esos algoritmos.
Desarrollar un medicamento siempre fue sinónimo de paciencia, dinero y una dosis generosa de suerte. Más de cinco años de trabajo para llegar a un candidato clínico, casi 90% de tasa de fracaso en las fases clínicas y un costo de I+D que se duplica cada nueve años. No es exactamente la ecuación más alentadora, ¿verdad? El factor limitante en el desarrollo de medicamentos nunca fue la falta de hipótesis, sino la escasez de recursos para evaluarlas de forma eficaz y eficiente.
Pero algo está cambiando, y de forma bastante acelerada. La inteligencia artificial entró en esta conversación con fuerza total, y los primeros resultados reales ya están apareciendo. Entre 2012 y 2022, aproximadamente 200 empresas que utilizaron IA para descubrimiento de medicamentos captaron colectivamente cerca de 18 mil millones de dólares en inversiones. Ahora estamos viendo los frutos de esos esfuerzos llegando a la clínica.
En junio de 2025, Insilico Medicine publicó en Nature Medicine resultados positivos de Fase IIa para el rentosertib, un inhibidor TNIK first-in-class para fibrosis pulmonar idiopática. Fue el primer medicamento en generar prueba de concepto clínica en el que tanto el objetivo fue descubierto como la molécula fue diseñada enteramente por IA generativa. Solo fueron necesarias 78 moléculas testeadas — frente a los miles exigidos por el proceso tradicional — todo esto en 18 meses y con menos del 10% del costo medio por fármaco aprobado.
Esto no es ciencia ficción. Es una señal clara de que el juego está cambiando. Y con gigantes como Google DeepMind, Anthropic, GSK y Eli Lilly poniendo miles de millones en esta carrera, la pregunta que queda ya no es si la IA va a transformar el desarrollo de medicamentos, sino quién va a liderar esa transformación — y con qué tipo de infraestructura.
A inicios de 2026, GSK cerró un acuerdo con NOETIK comprometiendo 50 millones de dólares por adelantado para acceso a modelos fundacionales de oncología, mientras que Eli Lilly firmó una asociación de acceso anual con Chai Discovery por un valor de ocho dígitos para diseño de biológicos. Isomorphic Labs, spinout de Google DeepMind responsable de AlphaFold, estableció asociaciones profundas con Lilly, Novartis y J&J con un valor potencial superior a 3 mil millones de dólares. Y en abril de 2026, Anthropic adquirió Coefficient Bio, una startup de ocho meses fundada por biólogos computacionales provenientes de Evozyne, Genentech y Prescient Design, por 400 millones de dólares en acciones — señalizando que los laboratorios de IA de frontera están haciendo apuestas directas en descubrimiento de medicamentos.
La respuesta, como verás a continuación, pasa mucho menos por los modelos en sí y mucho más por algo que todavía recibe poca atención: la infraestructura de datos nativos de biología que alimenta todo esto. 🧬
La explosión cámbrica de los modelos biológicos de IA
Aunque las herramientas de química computacional surgieron en los años 1980, la era moderna de la IA para biotecnología comenzó efectivamente con el auge del deep learning en los años 2010, cuando quedó claro que las redes neuronales podían aprender representaciones significativas de estructura molecular a partir de datos. El momento decisivo ocurrió cuando AlphaFold2 de DeepMind y RoseTTAFold del laboratorio Baker resolvieron el problema de predecir la estructura 3D de una proteína a partir únicamente de su secuencia de aminoácidos.
A partir de ahí, el número de modelos biológicos de IA creció exponencialmente. Hasta 2024, más de 350 modelos biológicos de IA fueron publicados, incluyendo AlphaFold3, ESM3, Boltz-1, BindCraft, Evo, scGPT y H-Optimus-0. Estos modelos demuestran la capacidad de la IA para ejecutar tareas que van desde el diseño generativo de proteínas hasta el modelado genómico, modelado de perturbaciones y análisis de imágenes de patología. Entre 2015 y 2025, el número de nuevos modelos de IA para biología lanzados por año saltó de menos de diez a más de 380.
Más recientemente, modelos como JAM-2, BoltzGen, Latent-X2, Chai-2 e IsoDDE continuaron acercándonos al diseño de biológicos con potencial farmacológico directamente desde la computadora. El IsoDDE de Isomorphic Labs, de hecho, más que duplicó la precisión de AlphaFold 3 en los benchmarks de generalización más difíciles, convirtiéndose en uno de los modelos más seguidos en el campo del diseño de medicamentos orientado por IA.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Por qué los datos biológicos son el verdadero activo competitivo
Cuando la mayoría de las personas piensa en IA aplicada a la salud, la mente va directo a los modelos — los algoritmos sofisticados, las redes neuronales profundas y las arquitecturas transformer que parecen resolver todo. Pero existe una capa anterior, silenciosa y absolutamente crítica, que determina si esos modelos van a funcionar de verdad o simplemente van a generar ruido caro. Esa capa es la infraestructura de datos biológicos.
Gran parte de los datos que hacen posibles los modelos actuales de IA biológica fue lentamente reunida a lo largo de décadas de ciencia financiada públicamente. Las más de 200 mil estructuras de proteínas del Protein Data Bank (PDB) fueron determinadas experimentalmente mediante técnicas como cristalografía de rayos X y espectroscopía de resonancia magnética nuclear. El Proyecto Genoma Humano mapeó genes y ADN humanos a partir de esfuerzos de secuenciación en instituciones de investigación alrededor del mundo. Y la base de datos de bioactividad de ChEMBL sobre millones de pequeñas moléculas fue acumulada mediante años de extracción manual de patentes y literatura científica. El impacto de estos bancos es notable: datos estructurales del PDB contribuyeron al desarrollo del 100% de los medicamentos anticáncer de pequeñas moléculas dirigidos a proteínas aprobados por la FDA entre 2019 y 2023.
Los modelos biológicos de IA desarrollados en las últimas décadas reflejan los datos disponibles, con casi el 63% de los modelos entrenados en secuencias y estructuras de proteínas de los bancos Uniprot y PDB. Las tareas más comunes para las que se usan estos modelos incluyen comprensión contextual de secuencias de proteínas o nucleótidos, predicción de plegamiento proteico y diseño de proteínas.
Las brechas que los datos actuales no cubren
A pesar de su escala, el PDB posee un sesgo fuerte hacia proteínas que son estables, solubles y susceptibles de cristalización. Las proteínas de membrana, las proteínas intrínsecamente desordenadas y los complejos proteicos transitorios — algunos de los objetivos terapéuticos más prometedores en oncología y neurodegeneración — frecuentemente desafían estos criterios y permanecen dramáticamente subrepresentados. Además, las estructuras capturadas por el PDB son instantáneas estáticas, congelando proteínas en una única conformación en lugar del conjunto dinámico de formas que adoptan en una célula viva. Y frecuentemente son esas conformaciones alternativas las más relevantes terapéuticamente, como los sitios de unión alostéricos que solo se vuelven accesibles mediante la unión de un ligando.
Aunque llevar un nuevo medicamento al mercado comienza con tareas de estructura y diseño de proteínas, el descubrimiento inicial representa solo una fracción del tiempo y costo total del proceso. Más de dos tercios del tiempo y de los recursos de desarrollo se destinan a las etapas posteriores al descubrimiento inicial, incluyendo el trabajo de optimización ADME (propiedades farmacocinéticas de absorción, distribución, metabolismo y excreción) realizado en estudios preclínicos, además de los estudios de seguridad y eficacia conducidos en ensayos clínicos.
Para avanzar un medicamento de un hit a un candidato de desarrollo, se necesita mucho más que confirmar que una molécula se une a su objetivo. El proceso también exige comprensión de desarrollabilidad, inmunogenicidad, efectos fuera del objetivo, termoestabilidad, solubilidad y propensión a la agregación — propiedades para las cuales simplemente no existen grandes conjuntos de datos públicos de alta calidad.
No hay un equivalente del PDB para entender fenotipos celulares en respuesta a perturbaciones, o incluso datos proteómicos entre diferentes estados de enfermedad. Vincular datos celulares a datos clínicos presenta una brecha aún mayor, ya que los perfiles ómicos de pacientes vinculados a resultados de tratamiento y respuestas de ensayos clínicos existen aislados en sistemas hospitalarios y bases de datos de biofarmacéuticas. Esto hace casi imposible entrenar modelos capaces de predecir qué pacientes responderán a una terapia antes de ser inscritos en un ensayo. Las predicciones más comercialmente importantes son justamente aquellas donde la infraestructura de datos es más débil.
Los datos generados antes de la era de la IA presentan limitaciones significativas
Gran parte de los datos biológicos disponibles hoy fue generada antes de la explosión de los modelos biológicos de IA, lo que significa que frecuentemente carecen de las características que los hacen útiles para aprendizaje automático. Las anotaciones son muchas veces incompletas o no estandarizadas, y contextos importantes — como el ambiente celular o el equipamiento de laboratorio utilizado — raramente son capturados o codificados en los conjuntos de datos. En muchos casos, los conjuntos de datos biológicos simplemente no tienen la escala para que los modelos saquen conclusiones estadísticamente significativas o hagan predicciones no sesgadas.
Para realmente desbloquear la IA para el desarrollo de medicamentos, las empresas necesitan invertir en dos frentes: primero, en la generación de mediciones biológicas multimodales e inéditas que amplíen nuestra comprensión de las enfermedades, y segundo, en la construcción de conjuntos de datos con la escala, consistencia y contextualización necesarias para entrenar modelos que generalicen entre ambientes biológicos diversos.
Empresas como Peptone están combinando biofísica a nivel atómico con supercomputación para generar datos estructurales propietarios sobre proteínas intrínsecamente desordenadas. Inductive Bio está armando uno de los conjuntos de datos ADMET más grandes y diversos de la industria para entrenar sus modelos Beacon, que recientemente quedaron en primer lugar entre más de 370 participaciones en el desafío de predicción OpenADMET-ExpansionRx. Converge Bio está generando conjuntos de datos a gran escala para entrenar y validar modelos propios de diseño de anticuerpos y optimización de secuencias. Y NOETIK está armando uno de los conjuntos de datos más completos en oncología, emparejando multi-ómicas tumorales con resultados de tratamiento longitudinales.
IA agéntica en los flujos de trabajo de I+D
Mientras el costo de llevar un medicamento al mercado siguió aumentando, el costo de computación disminuyó exponencialmente desde los años 1950, consistente con la Ley de Moore. Tareas a lo largo de la cadena de desarrollo que son computacionalmente costosas hoy serán dramáticamente más baratas en pocos años. Las empresas que construyen su pila tecnológica para ser rápidamente adaptable a las capacidades en evolución de la IA tendrán una ventaja estructural creciente sobre aquellas que tratan la IA como una inversión fija.
Aunque construir herramientas propietarias de modelado molecular internamente pudo haber sido un diferencial hace una década, la abundancia de herramientas in silico listas para usar cambió esa narrativa. Predictores estructurales, modelos ADMET y simuladores de dinámica molecular maduraron enormemente y ahora son ampliamente accesibles a través de repositorios open-source y arquitecturas cerradas.
Las empresas deben construir su infraestructura desde el día uno para poder probar, implementar y aprovechar las herramientas más nuevas, en lugar de quedarse ancladas a una única pila tecnológica. Hoy, esta infraestructura modular puede parecerse a un sistema que orquesta autónomamente las mejores herramientas para tareas específicas, ya sea una revisión de literatura o la ejecución de un pipeline de bioinformática.
La computación más barata hizo que la inferencia de contexto largo sea económicamente viable, permitiendo que agentes de IA sinteticen más de mil artículos y 40 mil líneas de código en una sola ejecución. Combinada con técnicas que aumentan la precisión y eficiencia de la IA, como razonamiento en cadena de pensamiento y frameworks multi-agente, se ha vuelto cada vez más realista que la IA pueda comprimir significativamente el costo y el tiempo del ciclo de I+D. 🤖
Científicos de IA agéntica podrán minar servidores de preprints, registros de patentes y bases de datos biológicos públicos para identificar conexiones no obvias, generar hipótesis inéditas, realizar análisis de datos in silico, diseñar experimentos de laboratorio y escribir informes — todo manteniendo el contexto de investigación del equipo y un registro histórico de experimentos que capacita a los científicos para tomar decisiones más inteligentes y rápidas.
Pronto será estándar adoptar un sistema operativo de IA que abarque todo el proceso de desarrollo de medicamentos, aprovechando la capacidad de la IA de retener contexto extenso para unificar análisis y resultados en un único entorno de investigación, en lugar de dejarlos dispersos en soluciones puntuales separadas.
Una ola creciente de empresas está construyendo en esta dirección. Anthropic ahora ofrece conectores para integrar Claude con plataformas como Benchling, PubMed, ChEMBL y ClinicalTrials.gov. K-Dense y Edison Scientific están desarrollando plataformas de científico autónomo de IA que pueden planificar, ejecutar e iterar en flujos de trabajo de investigación complejos de principio a fin. Phylo está tomando un enfoque complementario con su Entorno Integrado de Biología, un espacio unificado donde los científicos pueden colaborar con agentes de IA sin alternar entre interfaces fragmentadas.
Empresas como Potato y Convoke están construyendo los sistemas operativos para biofarmacéuticas, con Potato sirviendo como infraestructura para diseño y ejecución autónoma de experimentos, y Convoke actuando como sistema de registro y acción para acelerar flujos regulatorios y documentales para llevar medicamentos al mercado.
Automatización de laboratorios y el ciclo cerrado de descubrimiento
Incluso las empresas que utilizan los modelos de IA más avanzados chocan con las limitaciones de generación de datos experimentales. A pesar de avances dramáticos en predicción estructural y modelado molecular, muchos resultados in silico — como predicciones de afinidad de unión — todavía necesitan ser validados en el laboratorio antes de que cualquier decisión de desarrollo pueda ser tomada con confianza. Además, la eficacia in vivo es esencialmente impredecible a partir de primeros principios, con fallos tardíos motivados desproporcionadamente por propiedades farmacocinéticas y de toxicidad que los modelos in silico no señalaron.
Herramientas que usamos a diario
Dado que los resultados experimentales son la fuente definitiva de verdad biológica, es crucial que estos modelos incorporen continuamente retroalimentación del laboratorio para mantenerse anclados en precisión.
Desafortunadamente, los ciclos experimentales entre la salida de un modelo y los datos necesarios para actualizar sus predicciones frecuentemente llevan semanas a meses. Los experimentos de laboratorio son lentos, propensos a fallos y dependientes de mano de obra humana cualificada, convirtiéndose en uno de los mayores cuellos de botella para acortar cronogramas de desarrollo. El ciclo iterativo de diseño-prueba-producción-análisis que caracteriza la optimización de compuestos líderes puede llevar hasta tres años por sí solo y responde por casi una cuarta parte del cronograma total de desarrollo. Estos plazos se extienden aún más por el hecho de que la validación experimental es frecuentemente tercerizada a Organizaciones de Investigación por Contrato (CROs), donde sobrecarga de coordinación, colas de espera e inconsistencias en la calidad de los datos pueden añadir semanas o meses a cada ciclo de iteración.
De la automatización puntual al laboratorio autónomo
Aunque los robots Hamilton para manejo de líquidos y las plataformas Chemspeed para síntesis automatizada existen en laboratorios desde hace décadas, están optimizados para alta producción de tareas puntuales específicas, y no para la automatización e integración de flujos experimentales enteros. La mayoría de la automatización de laboratorio actual todavía requiere intervención humana significativa para transferir materiales entre instrumentos, resolver problemas e interpretar resultados antes de que el siguiente paso experimental pueda comenzar.
Automatizar equipos robóticos de laboratorio históricamente requirió ingenieros de automatización dedicados para configurar instrumentos y escribir continuamente nuevos scripts para diferentes flujos de trabajo. Las interfaces de lenguaje natural para control de robots podrían efectivamente democratizar las capacidades de automatización, permitiendo que científicos sin formación alguna en robótica o ingeniería de software ejecuten, monitoreen e iteren en experimentos de forma remota y autónoma. Avances en robótica e IA física podrían orquestar aún más la transferencia de materiales y datos que hoy todavía es realizada por humanos. Sistemas nativos de visión computacional, por ejemplo, ya consiguen leer e interpretar autónomamente imágenes de microscopía de células y alimentar datos estructurados directamente en los pipelines de modelos sin que un científico necesite extraer e insertar manualmente los resultados. 🔬
El progreso hacia laboratorios autónomos ofrece a las empresas un apalancamiento significativo tanto en velocidad como en costo operativo. Un modelo entrenado en cinco ciclos de diseño-prueba-análisis en el tiempo en que un competidor completa uno va a componer su entendimiento biológico mucho más rápido, y esa composición se traduce directamente en mejores modelos, mejores moléculas y una ventaja estructural muy difícil de recuperar para quien depende de cronogramas tradicionales de CRO.
Empresas a lo largo del panorama de automatización de laboratorios están persiguiendo esto desde ángulos diferentes. Medra está construyendo una plataforma de robótica agnóstica a instrumentos, donde robots de propósito general interactúan con equipos de laboratorio existentes a través de controles físicos e interfaces de software. Automata adopta un enfoque de orquestación de laboratorio con su plataforma LINQ, proporcionando hardware y software modulares que conectan instrumentos diferentes en flujos de trabajo automatizados y coordinados de principio a fin. Dash Bio está usando robótica para convertirse en una CRO más rápida y automatizada. Y Lila Sciences representa uno de los enfoques más verticalmente integrados, construyendo un laboratorio totalmente automatizado para descubrimiento y desarrollo de medicamentos de principio a fin.
El futuro de las ciencias de la vida va a correr sobre IA
El panorama que se dibuja para los próximos años es el de una convergencia profunda entre ciencia biológica, ingeniería de datos e inteligencia artificial. Las empresas que están construyendo grandes conjuntos de datos nativos de biología, pilas de desarrollo centradas en IA y plataformas de automatización de laboratorio que posibilitan experimentación rápida en ciclo cerrado van a definir la próxima generación de empresas de ciencias de la vida.
Este mercado se organiza en tres capas interdependientes:
- Capa de datos: empresas generando datos en la escala, modalidad y fidelidad que la IA requiere para producir descubrimientos significativos a lo largo de todo el proceso de desarrollo de medicamentos.
- Capa de software y workflows agénticos: plataformas de IA que orquestan y unifican flujos de trabajo de I+D de principio a fin, desde generación de hipótesis hasta presentación regulatoria.
- Capa de infraestructura física: plataformas de automatización de laboratorio que comprimen cronogramas en cada etapa, permitiendo ciclos de retroalimentación rápidos entre modelos y experimentos.
Juntas, estas tres capas representan gran parte de la cadena de valor que está tomando forma en el desarrollo de medicamentos orientado por IA. La velocidad de descubrimiento de nuevos medicamentos va a depender menos de cuántos científicos tiene una organización y más de cuán bien estructurada y rica es su infraestructura de datos biológicos. Los primeros resultados clínicos ya muestran que esta no es una promesa lejana: es una realidad en construcción, y los bloques fundamentales están siendo colocados ahora, en este momento, por equipos que entendieron que datos de calidad, workflows inteligentes y automatización integrada son el verdadero diferencial competitivo en esta carrera. 🚀
