Inteligencia artificial y automatización están acelerando el descubrimiento de nuevos medicamentos
El descubrimiento de medicamentos siempre ha sido un proceso largo, costoso y lleno de incertidumbres. Desarrollar un solo fármaco puede llevar más de una década y costar miles de millones de dólares, sin ninguna garantía de que el resultado llegue hasta el paciente. Pero este panorama está cambiando, y bastante rápido.
En el centro de esta transformación está el ciclo DMTA, sigla en inglés de Design-Make-Test-Analyze, es decir, diseñar, sintetizar, probar y analizar compuestos en busca de candidatos a medicamentos. Lo que era un proceso lineal y lento se está convirtiendo en algo mucho más dinámico, conectado y orientado por datos.
Y es justamente ahí donde la inteligencia artificial y la automatización entran en escena, no como tendencia futurista, sino como herramientas reales que ya están dentro de los laboratorios. 🔬
Para entender cómo funciona todo esto en la práctica, dos especialistas de TTP, empresa británica con décadas de experiencia en automatización de laboratorios y desarrollo de tecnologías para la industria farmacéutica, compartieron sus visiones sobre el presente y el futuro de este sector.
Jon Wingfield, líder sénior de desarrollo de negocios y expresidente de la SLAS (Society for Laboratory Automation and Screening), cuenta con casi 30 años de experiencia en investigación y desarrollo farmacéutico. Trabaja de cerca con organizaciones farmacéuticas, de biotecnología y ciencias de la vida para acelerar la innovación a lo largo del pipeline de descubrimiento de medicamentos. Su experiencia abarca automatización de laboratorios, cribado de alto rendimiento y flujos de trabajo DMTA.
Wenshu Xu, responsable del equipo de Drug Discovery Tools de TTP, lidera el desarrollo de tecnologías diseñadas para acelerar el descubrimiento de medicamentos mediante automatización avanzada, experimentación de alto rendimiento y sistemas de laboratorio autónomos. Tiene un interés particular en el concepto de IA física, donde las predicciones computacionales se validan rápidamente mediante experimentación automatizada en el laboratorio.
Lo que tienen para decir va más allá del hype en torno a la IA. 👇
Qué es el ciclo DMTA y por qué importa tanto
Antes de hablar sobre inteligencia artificial y automatización, vale la pena entender mejor qué es este ciclo DMTA y cuál es su papel dentro de la industria farmacéutica. Piénsalo así: cada vez que un científico quiere probar si una molécula puede convertirse en un medicamento, necesita pasar por cuatro etapas fundamentales.
- Primero, diseña el compuesto basándose en hipótesis científicas.
- Después, sintetiza físicamente esa molécula en el laboratorio.
- A continuación, realiza pruebas para evaluar su eficacia y seguridad.
- Por último, analiza los datos recopilados para decidir el siguiente paso.
Este ciclo se repite cientos, a veces miles de veces, hasta que un candidato prometedor aparece en el horizonte.
El problema histórico es que cada una de estas etapas solía realizarse de forma aislada, con equipos diferentes, sistemas diferentes y poco intercambio de información en tiempo real. El resultado era un proceso fragmentado, donde los datos generados en una etapa tardaban semanas en influir en la siguiente decisión.
Según Jon Wingfield, esa brecha entre generación y uso de datos siempre fue uno de los mayores cuellos de botella del descubrimiento de medicamentos. Proyectos enteros perdieron meses por culpa de un resultado mal interpretado o de un análisis que llegó demasiado tarde para cambiar el rumbo de los experimentos.
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.
Un cambio de perspectiva importante
Un detalle revelador compartido por Wingfield es que, históricamente, el ciclo DMTA se veía como algo que comenzaba por la fase de diseño. Hoy, sin embargo, hay un reconocimiento creciente de que el análisis puede ser, en realidad, el punto de partida. Avances en identificación de dianas habilitada por IA, predicción de estructura de proteínas, docking molecular y análisis de unión proporcionan información valiosa incluso antes de que las moléculas sean diseñadas.
Otro punto importante es la valorización de los experimentos que fallaron. Muchos modelos de IA dependen en gran medida de la literatura publicada, pero los experimentos fallidos rara vez se reportan. Parte del aprendizaje más valioso proviene justamente de entender por qué las moléculas fallaron, ya sea por desafíos de síntesis, problemas de purificación, inactividad biológica o cuestiones de toxicidad.
Por eso, más organizaciones están invirtiendo en la generación de sus propios conjuntos de datos completos, incluyendo tanto resultados exitosos como fallidos. Esta comprensión más rica está ayudando a crear ciclos de diseño más informados y mejorando la calidad de las decisiones tomadas en cada etapa subsiguiente.
Es exactamente ahí donde la transformación empieza a cobrar sentido. Cuando el ciclo DMTA pasa a estar conectado por plataformas de automatización y alimentado por modelos de inteligencia artificial, cada etapa comienza a comunicarse con la otra en tiempo real. Los datos de la fase de pruebas informan de inmediato el diseño de la siguiente molécula. El análisis deja de ser un informe final y se convierte en un motor de decisión continuo. Esto cambia por completo la velocidad y la calidad de las elecciones hechas dentro del laboratorio, y el impacto de esto en la vida de las personas puede ser enorme.
Cómo la inteligencia artificial está cambiando el análisis de datos en el laboratorio
Wenshu Xu fue directa al grano cuando habló sobre el papel de la inteligencia artificial dentro del laboratorio moderno. Para ella, el mayor valor de la IA no está en sustituir al científico, sino en ampliar la capacidad humana de procesar e interpretar grandes volúmenes de datos en un tiempo que sería imposible manualmente. El análisis de datos generado en un solo día de experimentos automatizados puede alcanzar millones de puntos de información. Sin herramientas de IA, buena parte de ese conocimiento simplemente se perdería o quedaría atrapado en hojas de cálculo que nadie tiene tiempo de revisar con la profundidad suficiente.
En la práctica, los modelos de inteligencia artificial aplicados al ciclo DMTA funcionan como filtros inteligentes y predictivos. Son capaces de:
- Identificar patrones en datos moleculares que escaparían incluso a los ojos más entrenados.
- Sugerir qué compuestos tienen mayor probabilidad de éxito en las siguientes rondas de pruebas.
- Eliminar candidatos con bajo potencial antes de que el laboratorio desperdicie tiempo y recursos sintetizándolos.
Esto representa un cambio radical en la lógica del proceso, que pasa de una búsqueda casi aleatoria a una exploración mucho más dirigida y eficiente del espacio químico disponible.
Dónde la IA ya demuestra valor concreto y dónde aún necesita madurar
Wenshu Xu destacó que una de las áreas donde la IA ya ha demostrado un valor significativo es el análisis de imágenes. La capacidad de procesar e interpretar conjuntos de datos grandes y complejos está cambiando la forma en que los investigadores extraen conocimiento de los experimentos biológicos.
Sin embargo, la IA todavía tiene limitaciones importantes. No logra sustituir de manera confiable el razonamiento científico y la experiencia de dominio. Sin contexto suficiente, restricciones y comprensión mecanística, los sistemas de IA pueden generar conclusiones engañosas. Por eso combinar IA con modelos basados en física y en biología sigue siendo tan importante.
Más allá del descubrimiento inicial, la IA está empezando a influir también en el desarrollo clínico. Aplicaciones como estratificación de pacientes, optimización de reclutamiento para ensayos clínicos y análisis de conjuntos de datos derivados de organoides pueden mejorar significativamente las tasas de éxito clínico. Una mejor comprensión de toxicidad, ADME, PK/PD y eficacia usando modelos más relevantes para humanos puede, en última instancia, reducir costes y mejorar resultados a lo largo de todo el pipeline de desarrollo.
Pero Jon Wingfield quiso resaltar un punto que mucha gente ignora cuando se habla de IA aplicada a la ciencia: la calidad de los datos de entrada es absolutamente crítica. Los modelos de inteligencia artificial son tan buenos como los datos que los alimentan. Si el proceso de recopilación es inconsistente, si los experimentos no son reproducibles o si los metadatos están incompletos, el modelo generará predicciones que no valen nada en la práctica.
Wenshu Xu reforzó este punto al afirmar que construir modelos fundacionales robustos requiere conjuntos de datos grandes y confiables, que incluyan no solo resultados experimentales, sino también metadatos sobre el entorno experimental. Esta necesidad está empujando a la industria hacia nuevos métodos de generación de datos a escala. Los flujos de trabajo manuales tradicionales difícilmente consiguen proporcionar el volumen y la calidad de información necesarios. Tecnologías como microarrays, microfluídica y cribado de ultra-alto rendimiento tendrán un papel esencial en la generación de los datasets necesarios para realizar plenamente el potencial de la IA.
Por eso, la automatización no es solo una cuestión de velocidad. También es una cuestión de estandarización y fiabilidad de los datos que van a entrenar y orientar los sistemas de IA. 🤖
Automatización más allá de la velocidad: lo que realmente cambia en el día a día
Cuando la mayoría de la gente escucha la palabra automatización, imagina robots haciendo tareas repetitivas más rápido que los humanos. Y sí, eso es parte de la historia. Pero dentro del contexto del descubrimiento de medicamentos, la automatización tiene un papel mucho más estratégico que simplemente acelerar pipelines de producción.
Crea las condiciones para que la inteligencia artificial funcione con datos de calidad, permite que los experimentos se ejecuten en paralelo a escalas antes imposibles y libera a los científicos para concentrarse en las decisiones que realmente exigen razonamiento creativo y experiencia humana.
De tareas repetitivas a sistemas autónomos
Wenshu Xu explicó que la automatización está evolucionando de la simple ejecución de tareas hacia la autonomía. Igual que la progresión del piloto automático hacia los vehículos autónomos, los laboratorios están yendo más allá de sistemas que solo realizan tareas repetitivas hacia sistemas que consiguen diagnosticar problemas, adaptarse y potencialmente autocorregirse.
Jon Wingfield complementó explicando que, a lo largo de las últimas tres décadas, la automatización evolucionó de simplemente mover líquidos a microplacas hacia un concepto mucho más amplio de procesos automatizados. Los esfuerzos iniciales se centraban principalmente en aumentar el rendimiento de ensayos, pasando de formatos de 96 pocillos a 384 pocillos y más allá. Hoy, el enfoque es mucho más holístico.
Un gran desafío que permanece, según Wenshu, es más cultural que técnico. Los científicos frecuentemente intervienen cuando los flujos de trabajo encuentran problemas, porque la intervención manual parece más rápida a corto plazo. Sin embargo, los laboratorios verdaderamente autónomos requieren sistemas robustos que consigan monitorearse, preservar muestras valiosas, recuperarse de errores y seguir operando con mínima participación humana.
TTP es un ejemplo concreto de cómo esta integración puede funcionar. La empresa desarrolló plataformas de automatización de laboratorio que no solo ejecutan experimentos, sino que también recopilan, estructuran y ponen a disposición los datos generados de forma estandarizada y accesible para los sistemas de análisis de datos e IA que operan en paralelo.
Al mismo tiempo, la automatización se ve cada vez más como un proceso de extremo a extremo, y no como una colección de instrumentos individuales. Los sistemas modernos integran logística, experimentación, captura de datos, análisis y toma de decisiones en un flujo de trabajo continuo. Esto permite que los equipos se enfoquen más en la estrategia científica y menos en tareas operativas repetitivas.
El impacto en la reproducibilidad científica
Otro punto importante planteado por los especialistas es el impacto de la automatización en la reproducibilidad científica, un problema crónico en el área farmacéutica. Cuando los experimentos se hacen manualmente, variaciones humanas inevitables introducen ruido en los datos. Con sistemas automatizados y estandarizados, la reproducibilidad aumenta significativamente, lo que hace los datos más confiables y los modelos de inteligencia artificial más precisos.
Este efecto cascada a menudo se subestima, pero es uno de los pilares que sostienen toda la promesa de acelerar el descubrimiento de medicamentos con tecnología. 💡
Integrando química y biología: el próximo gran paso
Un aspecto fascinante abordado por Jon Wingfield tiene que ver con las barreras que aún separan la química y la biología dentro del proceso de descubrimiento de medicamentos. Históricamente, estas dos disciplinas operaron como funciones distintas, a veces separadas incluso geográficamente, conforme las organizaciones optimizaban por coste. Hoy, la velocidad se ha vuelto mucho más importante que el coste de forma aislada.
Herramientas que usamos a diario
Acercar la química a la biología permitirá que los compuestos pasen directamente de la síntesis a las pruebas biológicas, reduciendo drásticamente los tiempos de respuesta. Los laboratorios del futuro podrán evolucionar hacia entornos DMTA integrados, en lugar de instalaciones separadas de química y biología.
Junto con esta integración física, el análisis avanzado será cada vez más importante. Nuevas capacidades de análisis de imagen y modelos celulares complejos están produciendo conjuntos de datos más ricos que nunca. Las organizaciones que consigan extraer conocimiento de forma eficaz de estos flujos de datos estarán en posición de tomar mejores decisiones, reducir tiempos de ciclo y aumentar la probabilidad de éxito.
El papel de TTP en esta transformación
Dentro de este ecosistema en rápida evolución, TTP actúa como un puente entre disciplinas, tecnologías y flujos de trabajo. Según Jon Wingfield, uno de los mayores desafíos de la industria es integrar química, biología, automatización y ciencia de datos en un motor de descubrimiento continuo y eficiente.
Muchas organizaciones poseen capacidades sólidas en áreas individuales, pero tienen dificultades para conectarlas de forma eficaz. Esto frecuentemente requiere instrumentación a medida, automatización personalizada y diseño especializado de flujos de trabajo. TTP ayuda a enfrentar estos desafíos desarrollando soluciones customizadas que conectan procesos anteriormente separados y permiten ciclos DMTA más eficientes.
Wenshu Xu añadió que este trabajo también se extiende a hacer viable la infraestructura física detrás del descubrimiento de medicamentos orientado por IA. Aunque la IA consigue generar predicciones, esas predicciones necesitan ser validadas experimentalmente. La experiencia de TTP en experimentación de alto rendimiento y sistemas de laboratorio autónomos ayuda a crear el ecosistema de IA física necesario para generar datos de alta calidad y mejorar continuamente los resultados del descubrimiento.
El futuro que ya está ocurriendo
Una de las cosas más interesantes de esta conversación con los especialistas de TTP fue percibir que mucho de lo que parece ser tendencia futurista ya es realidad operativa en diversos laboratorios alrededor del mundo. Empresas farmacéuticas de gran tamaño y startups de biotech están invirtiendo fuerte en la integración entre automatización, inteligencia artificial y el ciclo DMTA. Los resultados preliminares ya muestran reducciones significativas en el tiempo necesario para identificar candidatos a medicamentos prometedores, lo que puede representar años menos en el camino entre la mesa del laboratorio y el paciente.
Para Jon Wingfield, el mayor desafío ahora no es tecnológico. Es cultural y organizacional. Las herramientas ya existen. Lo que todavía necesita evolucionar es la forma en que los equipos multidisciplinares trabajan juntos, cómo se comparten los datos entre departamentos y cómo las empresas crean estructuras que permitan que el análisis de datos generado por la IA se incorpore efectivamente en las decisiones estratégicas de desarrollo de medicamentos. Esto exige no solo tecnología, sino un cambio de mentalidad bastante profundo dentro de las organizaciones que actúan en este sector.
También está la cuestión de la presión por eficiencia que enfrenta toda la industria. El tiempo y el coste necesarios para mover una molécula desde el descubrimiento hasta la clínica siguen siendo extraordinariamente altos. Existe una presión enorme para acortar plazos y tomar mejores decisiones más temprano. Las organizaciones están adoptando cada vez más automatización, análisis avanzado y enfoques orientados por datos para identificar programas prometedores antes y cerrar proyectos más débiles antes de que consuman demasiados recursos.
Wenshu Xu cerró con una perspectiva que resume bien el momento actual: la inteligencia artificial y la automatización no son una solución mágica para los problemas complejos del descubrimiento de medicamentos, pero son, sin duda, las herramientas más poderosas que la ciencia ha tenido disponibles para enfrentar estos problemas.
El ciclo DMTA conectado, orientado por datos y acelerado por IA representa una nueva era para la industria farmacéutica, y los beneficios de esto van mucho más allá de los laboratorios. Llegan, en última instancia, a las personas que necesitan tratamientos mejores, más rápidos y más accesibles. 🌍
