Un grupo de investigadores advierte que, pese a la enorme expectativa generada en torno a la inteligencia artificial (IA) aplicada al descubrimiento de fármacos, la evidencia de un impacto clínico real sigue siendo, hasta la fecha, "decepcionantemente limitada". Esta es la principal conclusión de un artículo de perspectiva publicado en Nature, comentado ampliamente por el periodista científico Derek Lowe en su blog de Science.
El análisis, firmado por expertos sin conflictos de interés comerciales, realiza una revisión crítica del progreso real de la IA en el sector farmacéutico. Los autores reconocen que, aunque se han desarrollado, aplicado y comparado множество métodos de IA, todavía existe una "ausencia de evidencia" —que no debe confundirse con una "evidencia de ausencia"— sobre su capacidad para trasladar mejoras al paciente. En otras palabras, aún no se ha demostrado que estas tecnologías aceleren la llegada de medicamentos más seguros y eficaces.
Uno de los puntos centrales del artículo es la dificultad de medir el impacto auténtico de la IA en la toma de decisiones farmacéuticas. Los autores señalan que los efectos más valiosos se producirían en la selección de áreas terapéuticas, dianas, moléculas líderes, candidatos clínicos y diseños de ensayos, precisamente las áreas donde, según Lowe, "las técnicas de IA actuales están peor equipadas para ayudar". El periodista advierte que cualquier avance en estos terrenos será "más lento y costoso de lo que afirman muchos comunicados de prensa".
El texto identifica la tasa de éxito en Fase II como el indicador clave donde debería observarse el verdadero impacto de la IA, dado que las fases tempranas de descubrimiento representan un margen de error mínimo en tiempo y dinero compared to los ensayos clínicos. Sin embargo, los datos disponibles no muestran mejoras sustanciales: la era de la IA ha sido, hasta ahora, "más de lo mismo" en comparación con los múltiples "Protocolos Acrónimos Revolucionarios Capitalizados" lanzados previamente por la industria sin resultados significativos.
Otra проблема crucial que aborda el trabajo es la calidad y naturaleza de los datos disponibles. Aunque existen acumulaciones masivas de datos sobre compuestos en distintos ensayos, el aprendizaje automático basado en ellos resulta extremadamente difícil debido a la enorme cantidad de variables en las condiciones experimentales y en los propios sistemas biológicos. Los autores subrayan que muchos investigadores no comprenden las limitaciones de etiquetar y utilizar datos etiquetados, lo que genera un efecto dominó en los benchmarks del campo. A diferencia del reconocimiento de imágenes o voz, donde los benchmarks tradujeron mejoras en rendimiento real, en el descubrimiento de fármacos deben interpretarse con cautela.
Los investigadores también marcan una diferencia sustancial entre un ligando y un fármaco, recordatorio de que trabajar lo más cerca posible del sistema real es esencial. Como señala Lowe, un buen compuesto en una proteína aislada debe probarse en células, luego en roedores, después en toxicología de dos semanas en perros, y solo entonces en pacientes humanos. Encontrar sistemas de IA que agilicen estos pasos y, sobre todo, que los traduzcan en éxito clínico, no es tarea fácil.
Entre las recomendaciones del artículo destaca un cambio de enfoque: en lugar de limitarse a modelar datos fácilmente disponibles —que probablemente no marcarán una diferencia real—, los practitioners deberían orientarse hacia lo que debe hacerse, aunque ello requiera, por ejemplo, la generación sustancial de nuevos datos. Esta apuesta, sin embargo, implica admitir ante inversores y prensa que los plazos serán más largos de lo habitual, algo que no todos los actores del sector están dispuestos a aceptar.
El propio Lowe concluye que aplicar realmente los principios del artículo beneficiaría al campo, ahorraría experiencias desagradables a los inversores y reduciría el ruido de las máquinas de hype, aunque reconoce que no todos los involucrados comparten estos objetivos.
En resumen, aunque la IA sigue siendo una herramienta con potencial transformador en el descubrimiento de fármacos, su impacto clínico medible está aún por demostrar. El consenso emergente entre los expertos es que el sector debe pasar de la euforia publicitaria a una fase de generación rigurosa de datos y validación clínica, aunque ello implique admitir plazos más largos y resultados menos vistosos que los prometidos en los lanzamientos comerciales.