Para más de una década, la inteligencia artificial ha sido promocionada como la solución para acelerar el descubrimiento de fármacos. A pesar de los miles de millones invertidos, solo una fracción de los compuestos diseñados por IA llegan a las farmacias. La razón no es la falta de datos ni la complejidad de los algoritmos, sino la naturaleza intrínseca y lenta de los ensayos clínicos y la dificultad de predecir con precisión la interacción entre una molécula y su diana biológica.
En este escenario, Isomorphic Labs, la spin-off de Google DeepMind, emerge como un actor disruptivo. Construyendo sobre el trabajo galardonado con el Premio Nobel de DeepMind en la predicción de la estructura de proteínas, la compañía ha firmado alianzas estratégicas con Novartis y Eli Lilly, y recaudó recientemente US$ 2.1 billones. Su nuevo motor de diseño de fármacos, el Isomorphic Drug Design Engine (IDDE), se presenta como la herramienta que podría cerrar la brecha entre la teoría y la práctica.
Más allá de AlphaFold: de la estructura a la función
AlphaFold2 revolucionó la biología computacional al resolver el problema de la plegación de proteínas con una precisión nunca antes vista. Sin embargo, la fragancia de la proteína no es suficiente para el diseño de fármacos. Los medicamentos no se adhieren a una sola proteína; interactúan con nucleótidos, iones, pequeñas moléculas y otras proteínas en un entorno celular complejo.
Adrian Stecuła, líder del equipo de aprendizaje automático en Isomorphic Labs, explica que AlphaFold3 introdujo un marco que integra estos actores adicionales dentro de un modelo único. "Nos permite predecir no solo la conformación de la proteína, sino también cómo se comporta en presencia de diferentes ligandos y condiciones celulares", señala. Este nivel de detalle es crucial para identificar los llamados "pockets" o cavidades donde un fármaco potencial puede unirse.
El motor Isomorphic Drug Design Engine
El IDDE representa una evolución en la forma en que la IA aborda el descubrimiento de medicamentos. En lugar de generar moléculas de forma aleatoria y luego probarlas, el motor utiliza la información estructural y de interacción para guiar la síntesis de compuestos con alta probabilidad de unión a la diana. El proceso se desglosa en tres etapas:
- Modelado de la interacción: Se construye una representación tridimensional de la proteína y de los posibles ligandos, considerando factores como la dinámica de la molécula, la presencia de iones y la conformación de agua.
- Evaluación de la afinidad: Se calcula la energía de unión y se identifican los pockets más prometedores mediante algoritmos de optimización y aprendizaje profundo.
- Generación de candidatos: Se proponen moléculas que cumplan con criterios de afinidad, selectividad y farmacocinética, reduciendo el número de compuestos que deben sintetizarse y probarse.
Este enfoque no solo acelera el proceso, sino que también mejora la calidad de los candidatos, disminuyendo la tasa de fracasos en etapas posteriores del desarrollo.
Desafíos y oportunidades
A pesar del entusiasmo, la adopción de la IA en la industria farmacéutica sigue enfrentándose a obstáculos. La validación biológica de los compuestos generados por IA requiere laboratorios costosos y extensos, y las regulaciones actuales no están totalmente adaptadas a los fármacos diseñados digitalmente. Además, la propiedad intelectual de los compuestos creados por algoritmos plantea preguntas legales.
No obstante, el potencial es enorme. Con una base de datos de proteínas cada vez más completa y algoritmos que aprenden de la interacción real, la IA puede descubrir dianas que los métodos tradicionales pasan por alto. En un mundo donde la pandemia de COVID-19 demostró la urgencia de respuestas médicas rápidas, la capacidad de acelerar la identificación de fármacos podría ser decisiva.
El futuro de la IA en la farmacología
Isomorphic Labs no es la única empresa que intenta aprovechar la IA para la medicina, pero su conexión con DeepMind y su enfoque integral lo colocan en una posición única. La colaboración con Novartis y Eli Lilly ya ha generado candidatos en etapas tempranas de desarrollo, y el equipo planea expandir su motor a otras áreas terapéuticas, como neurodegeneración y cáncer.
Para la comunidad tecnológica, la lección es clara: la IA ya no es un asistente que supla la labor humana, sino un socio que redefine los límites del descubrimiento científico. La era de la medicina personalizada, donde cada fármaco se diseña para la interacción molecular específica de un paciente, está un paso más cerca. Lo que permanece es el reto de integrar estos avances en los procesos regulatorios y de producción a gran escala.
En conclusión, Isomorphic Labs representa un hito en la convergencia de la IA y la biología. Su motor de diseño de fármacos no solo acelera el descubrimiento, sino que también abre la puerta a terapias más específicas, eficaces y con menor toxicidad. Si la industria sigue el camino trazado, la próxima generación de medicamentos podría diseñarse en semanas, en lugar de años.
