La inteligencia artificial no es el futuro, ya está aquí y ha acabado permeando en todos los ámbitos de la vida. Y la investigación farmacéutica no ha sido una excepción. Como todas las herramientas, la IA puede convertirse en un enemigo o en un aliado, en un complemento, y es por ello por lo que apuesta Rebeca García-Fandiño, profesora titular de la Universidad de Santiago de Compostela.
Esta experta participó, el pasado mes de septiembre, en la XII Reunión Científica de las Academias Sanitarias de Castilla y León, celebrada en el edificio histórico de la Universidad de Salamanca, por la Academia de Farmacia de la región, con una ponencia titulada Inteligencia artificial y simulación computacional en el descubrimiento de nuevos fármacos. Hacia nuevas estrategias terapéuticas.
Y es precisamente para hablar de este campo, de la aplicación de la IA al descubrimiento de nuevos medicamentos, para lo que García-Fandiño atiende a El GlobalFarma.
Pregunta. ¿Cómo describiría el papel actual de la inteligencia artificial en la investigación farmacéutica?
Respuesta. La inteligencia artificial está transformando la investigación farmacéutica, pero no como una varita mágica que resuelve todo, sino como una herramienta que amplifica el conocimiento científico. Permite analizar millones de datos (estructuras, secuencias, propiedades químicas o biológicas) y descubrir patrones invisibles para los métodos tradicionales. Gracias a ello, podemos diseñar y seleccionar candidatos a fármacos de forma mucho más rápida y eficaz.
La IA, al menos por el momento, no sustituye al investigador, sino que lo complementa: nos ayuda a pensar mejor y más lejos, no a dejar de pensar.
P. ¿En qué etapa del desarrollo de un nuevo fármaco cree que la IA está teniendo un mayor impacto hoy en día?
R. Probablemente, la IA está ejerciendo un impacto más visible en las etapas tempranas del descubrimiento de fármacos, especialmente en la identificación y priorización de nuevas moléculas. Es en esta fase donde existen más datos estructurales, químicos y biológicos disponibles, lo que facilita que los modelos puedan reconocer patrones útiles y apoyar el diseño racional de compuestos.
Un buen ejemplo de este avance lo vimos con el Premio Nobel de Química de 2024, otorgado a Demis Hassabis, John Jumper y David Baker por sus contribuciones al uso de la IA en la predicción y el diseño de estructuras proteicas. Estos desarrollos están revolucionando la comprensión de las dianas terapéuticas y abriendo la puerta a un diseño más racional de fármacos desde las fases iniciales.
En fases más avanzadas, como la evaluación de toxicidad, farmacocinética o eficacia clínica, el papel de la IA es todavía más incipiente, en parte porque los datos son más escasos y heterogéneos. Sin embargo, es previsible que, a medida que aumenten la cantidad y la calidad de los datos experimentales y clínicos, la IA vaya ampliando su contribución también en esos ámbitos.
P. Desde su experiencia académica, ¿cómo percibe la colaboración entre el mundo universitario y la industria farmacéutica en este campo?
R. La colaboración entre el mundo académico y la industria farmacéutica ha crecido notablemente en los últimos años, y eso es una buena noticia. La combinación de enfoques y recursos suele generar resultados más sólidos: se supone que la industria aporta experiencia en desarrollo y escalado, mientras que la universidad contribuye con creatividad, metodologías innovadoras y una comprensión más profunda de los fundamentos científicos.
Ahora bien, creo que es importante mantener un equilibrio. Existe el riesgo de que la investigación se oriente demasiado hacia objetivos inmediatos o económicamente rentables, olvidando que muchas de las grandes innovaciones, incluidas las que hoy sostienen la inteligencia artificial y la simulación molecular, nacieron de preguntas básicas, sin una aplicación concreta en mente.
La salud no puede reducirse solo a un negocio: requiere una visión de largo plazo y una apuesta sostenida por la ciencia básica, porque es ese conocimiento fundamental el que, con el tiempo, acaba dando lugar a las aplicaciones que transforman la medicina.
P. ¿Podría explicarnos cómo las simulaciones computacionales están ayudando a predecir la eficacia o toxicidad de nuevos compuestos?
R. A diferencia de otros campos donde la IA dispone de millones de datos, por ejemplo, imágenes o vídeos de personas, animales o paisajes, en el ámbito molecular esos datos simplemente no existen. No podemos grabar cómo una molécula interacciona con otra ni cómo se comporta en un entorno celular. Para generar esa información necesitamos recurrir a la simulación por ordenador, que nos permite reconstruir esos movimientos a partir de las leyes fundamentales de la naturaleza.
Las simulaciones computacionales son hoy una herramienta esencial para entender cómo actúan los fármacos en el ámbito molecular. Nos permiten explorar procesos que no pueden observarse directamente en el laboratorio: cómo se mueve una proteína, cómo cambia de forma o cómo una molécula se acopla y se adapta a su diana biológica. En cierto modo, funcionan como un “microscopio virtual” que nos deja ver lo que ocurre en el interior del mundo atómico.
Actualmente, todavía faltan muchos datos de este tipo para que la IA aprenda de forma fiable, y por eso es tan importante que las simulaciones sean rigurosas y realistas. Cuanto más precisas sean, más cerca estaremos de poder predecir con confianza la eficacia o la toxicidad de un nuevo compuesto antes de probarlo en el laboratorio.
P. ¿Hasta qué punto podemos confiar hoy en la predicción de interacciones moleculares mediante IA?
R. La IA está logrando resultados notables en la predicción de interacciones moleculares, pero conviene mantener cierta prudencia. Su fiabilidad depende en gran medida de la calidad y cantidad de los datos con los que se entrena. Es el clásico principio de “garbage in, garbage out”: si los datos son incompletos o poco representativos, las predicciones también lo serán. En sistemas bien conocidos, donde disponemos de estructuras experimentales y datos bioquímicos sólidos, los resultados pueden ser muy precisos, pero en entornos más complejos o poco caracterizados, aún debemos interpretar las predicciones con cautela.
También es cierto que la potencia de los ordenadores ha crecido enormemente. Hoy podemos simular sistemas cada vez más grandes y durante tiempos más largos, lo que nos permite acercarnos un poco más a la realidad biológica. Sin embargo, todavía estamos lejos de reproducir un sistema celular completo con todo su nivel de complejidad: las biomoléculas interactúan en entornos dinámicos, congestionados y cambiantes, que son muy difíciles de modelar con exactitud.
Lo interesante es que ambos mundos (la simulación y la IA) se retroalimentan. Las simulaciones proporcionan datos coherentes y físicamente fundamentados que ayudan a entrenar mejores modelos de inteligencia artificial, y la IA, a su vez, contribuye a optimizar las simulaciones, haciéndolas más rápidas y eficientes. Esta sinergia está abriendo un camino muy prometedor: cada mejora en una de las dos áreas impulsa el avance de la otra.
P. ¿Qué tipo de datos son necesarios para que estos modelos sean realmente precisos?
R. Para que los modelos de IA sean realmente precisos en el ámbito del descubrimiento de fármacos, no basta con tener muchos datos: deben ser datos de calidad, coherentes y representativos. Necesitamos información que describa con detalle cómo son las moléculas y cómo se comportan: sus estructuras tridimensionales, sus propiedades fisicoquímicas, su modo de interactuar con proteínas u otras biomoléculas, y cómo cambian en distintos entornos biológicos. El gran reto es que no disponemos de tantos datos experimentales bien caracterizados como quisiéramos, sobre todo en lo que respecta a procesos dinámicos. Aquí es donde las simulaciones computacionales juegan un papel fundamental: permiten generar datos complementarios, físicamente coherentes y controlados, que ayudan a entrenar modelos más robustos.
En última instancia, la precisión de la IA depende directamente de la calidad del conocimiento que le proporcionamos. Si los datos son rigurosos y diversos, combinando medidas experimentales, información estructural y resultados de simulaciones fiables, los modelos pueden alcanzar un nivel predictivo muy alto y convertirse en una herramienta realmente transformadora para la investigación biomédica.
P. ¿Cómo se combinan los enfoques computacionales con los ensayos de laboratorio en el proceso de descubrimiento de fármacos?
R. Hoy en día, la investigación farmacéutica más innovadora se basa en una combinación constante entre la predicción computacional y la validación experimental. No son dos caminos separados, sino partes de un mismo proceso que se retroalimentan.
Los métodos computacionales, ya sea mediante IA o simulación molecular, permiten generar hipótesis y priorizar compuestos antes de que se realicen los ensayos en el laboratorio. De este modo, se pueden reducir drásticamente los costes y el tiempo dedicados a probar moléculas con baja probabilidad de éxito.
Una vez obtenidos los resultados experimentales, estos datos se reintegran en los modelos computacionales, que se ajustan y mejoran. Así se crea un ciclo iterativo de predicción y validación: el ordenador orienta el experimento, y el experimento refina al ordenador. Este enfoque híbrido está cambiando la manera en que se concibe el descubrimiento de fármacos, haciéndolo más eficiente y racional. Además, este diálogo entre cálculo y laboratorio permite explorar preguntas que serían imposibles de abordar solo con uno de los dos enfoques. Las simulaciones ayudan a entender los mecanismos moleculares que explican los resultados observados, y los experimentos, a su vez, revelan fenómenos que inspiran nuevos modelos teóricos.
En definitiva, la clave está en la complementariedad: lo computacional no sustituye lo experimental, sino que lo potencia. Juntos forman una estrategia mucho más poderosa que cualquiera de los dos por separado.
P. ¿Está cambiando la formación del farmacéutico investigador ante esta revolución digital?
R. Sin duda, la formación del farmacéutico investigador está cambiando, y debe hacerlo, para adaptarse a esta nueva realidad. El perfil clásico, centrado exclusivamente en la biología, la química o la farmacología experimental, ya no es suficiente. Hoy el investigador necesita también competencias en programación, análisis de datos, modelado molecular e IA.
Lo interesante es que la propia IA puede convertirse en una herramienta de formación. Puede ayudar a los investigadores a explorar bases de datos complejas, generar hipótesis, diseñar simulaciones o incluso explicar conceptos avanzados de manera personalizada. En ese sentido, tiene un enorme potencial como apoyo al aprendizaje, siempre que se utilice con criterio, y que no sustituya la formación científica ni el pensamiento crítico. Seguramente aprender a aprovechar su potencial sin depender ciegamente de ella será uno de los grandes desafíos de la próxima década.
P. ¿Qué papel juega la interdisciplinariedad (bioinformática, química computacional, farmacología, etc.) en estos proyectos?
R. La interdisciplinariedad es absolutamente esencial. Los problemas que abordamos hoy en el descubrimiento de fármacos son demasiado complejos para una sola disciplina. Comprender cómo una molécula actúa en un entorno biológico requiere combinar conocimientos de bioinformática, química computacional, biología estructural, farmacología, inteligencia artificial y física, entre otros campos.
Cada una de estas áreas aporta una pieza distinta del rompecabezas: la química explica cómo se forma la molécula, la biofísica cómo se mueve e interacciona, la biología qué papel juega en la célula, y la farmacología cómo se comporta en el organismo. Solo integrando todas esas perspectivas podemos construir una visión completa y fiable del proceso.
Además, la colaboración entre disciplinas favorece la innovación. Muchas de las ideas más creativas surgen precisamente en las fronteras entre campos diferentes. La IA y las simulaciones son buenos ejemplos de ello: nacen de la convergencia entre la informática, la física y la biología.
Por eso, formar equipos verdaderamente interdisciplinarios, capaces de comunicarse en un lenguaje común, sin perder la profundidad de cada especialidad, es uno de los grandes retos y, al mismo tiempo, una de las mayores oportunidades de la ciencia actual.
