Simular interacciones entre átomos, moléculas y proteínas mediante inteligencia artificial, sin pisar un laboratorio: ese es el núcleo del modelo que una startup británica está construyendo para redefinir cómo se descubren nuevos fármacos. Potential Sciences apuesta por generar conjuntos de datos químicos a gran escala desde principios fundamentales de la física, con el objetivo de entrenar modelos de IA capaces de predecir qué moléculas funcionarán en la clínica antes de que se realice un solo experimento físico.

El argumento de negocio es directo: el proceso tradicional de descubrimiento farmacéutico tarda entre 10 y 15 años y cuesta en promedio más de 2,000 millones de dólares por molécula aprobada, según estimaciones del sector. Gran parte de ese costo proviene de experimentos fallidos en etapas avanzadas. "Queremos que las moléculas que nunca funcionarán en la clínica fracasen rápidamente", señala Hatem Helal, fundador y director ejecutivo de la compañía. Esa capacidad de filtrado temprano —descartar candidatos inviables antes de invertir en ensayos clínicos— representa una reducción estructural del riesgo financiero para cualquier organización que desarrolle tratamientos.

Financiamiento y señales del mercado

Desde su lanzamiento en noviembre, Potential Sciences aseguró financiamiento semilla por decenas de millones de dólares proveniente de fondos especializados en inteligencia artificial. Los fundadores no han revelado la cifra exacta ni la valoración, pero la magnitud del respaldo refleja el interés creciente del capital de riesgo en la intersección entre IA y ciencias de la vida, un segmento que ha captado miles de millones en inversión global durante los últimos tres años.

El modelo también abre una oportunidad de mercado que históricamente ha sido ignorada por razones económicas: las enfermedades raras. Al reducir los costos de experimentación, el enfoque computacional podría hacer viable el desarrollo de fármacos para condiciones que afectan a poblaciones pequeñas y que, bajo el esquema tradicional, no justifican la inversión. Helal va más lejos y plantea la posibilidad de medicamentos diseñados como combinaciones moleculares únicas, adaptadas a la biología individual de cada paciente.

El límite técnico que define el horizonte real

La promesa, sin embargo, enfrenta un cuello de botella técnico concreto: la capacidad de predecir con precisión suficiente cómo se unirá un candidato a fármaco con las proteínas asociadas a una enfermedad. Peter Wolynes, profesor de química en la Universidad Rice, advierte que la ingeniería de proteínas actual sigue siendo primitiva, y que los avances esperados, aunque reales, no eliminan esa limitación en el corto plazo.

Este desafío no es exclusivo de Potential Sciences. Figuras como Demis Hassabis, reconocido con el Premio Nobel de Química por su trabajo en modelos de predicción de estructuras proteicas, han argumentado que la IA producirá descubrimientos científicos comparables a los que la computación trajo a las matemáticas. La pregunta para el sector farmacéutico no es si esa transformación ocurrirá, sino qué tan rápido las herramientas predictivas alcanzarán el umbral de confiabilidad que los reguladores y las organizaciones de salud exigen antes de llevar un tratamiento a pacientes reales.