Modelos de inteligencia artificial entrenados con bases de datos farmacológicas a gran escala están redefiniendo la etapa de filtrado inicial en el descubrimiento de fármacos. Una colaboración reciente entre una empresa de IA aplicada a biociencias y un proveedor especializado en datos científicos curados demuestra que los modelos ADMET —que predicen propiedades de absorción, distribución, metabolismo, excreción y toxicidad— pueden actuar como filtros de alta precisión antes de que un compuesto sea sintetizado o adquirido.
En pruebas prospectivas realizadas sobre diez objetivos farmacológicos considerados desafiantes, el enfoque basado en IA identificó ligandos o compuestos activos en seis de los diez casos, utilizando entre 28 y 96 compuestos por objetivo. Ese resultado contrasta de forma significativa con los métodos convencionales de pruebas de alto rendimiento (HTS, por sus siglas en inglés), que evalúan desde miles hasta millones de compuestos por objetivo y registran tasas de éxito generalmente inferiores al 0.15%. La diferencia en escala y eficiencia tiene implicaciones directas sobre los presupuestos de investigación y los plazos de desarrollo.
Generalización fuera de distribución: el indicador clave
Uno de los hallazgos más relevantes de esta colaboración es el desempeño de los modelos en condiciones fuera de distribución, es decir, aplicados a química que no estaba representada en los datos de entrenamiento. En esa prueba de estrés, los modelos entrenados con datos curados igualaron o superaron el rendimiento de paquetes ADMET de código abierto, con mejoras estadísticamente significativas en solubilidad cinética y permeabilidad Caco-2.
Esta capacidad de generalización es crítica para cualquier programa de descubrimiento de fármacos que trabaje con espacios químicos novedosos. La mayoría de los modelos públicos fallan precisamente en este punto: funcionan bien dentro del dominio de sus datos de entrenamiento, pero pierden precisión cuando se enfrentan a moléculas estructuralmente distantes. Superar esa limitación con datos de mayor escala y diversidad química representa un cambio metodológico con impacto real en la viabilidad de los programas de I+D.
Datos curados como ventaja estructural
La base de datos utilizada en este proyecto —GOSTAR™— integra mediciones de solubilidad, lipofilicidad y permeabilidad a una escala que las fuentes públicas no alcanzan. Según los responsables del proyecto, precisamente esa escala y calidad de los datos de solubilidad es lo que diferencia a los modelos resultantes de los disponibles en repositorios abiertos.
Para las organizaciones que evalúan inversiones en plataformas de IA para ciencias de la vida, este caso ilustra un principio que se repite en múltiples verticales: la calidad y cobertura de los datos de entrenamiento determina el techo de desempeño del modelo, independientemente de la arquitectura utilizada. En el contexto del descubrimiento farmacéutico, donde cada candidato descartado prematuramente o cada síntesis innecesaria tiene un costo medible, esa diferencia se traduce directamente en eficiencia operativa y velocidad de llegada al mercado.
