El dato biológico es el nuevo petróleo en el descubrimiento de fármacos con IA

GSK acaba de firmar un acuerdo con la biotecnológica británica Relation Therapeutics que podría alcanzar los 110 millones de dólares. El objetivo no es comprar un modelo de inteligencia artificial ya entrenado, sino financiar la generación de conjuntos masivos de datos sobre cómo responden las células humanas ante alteraciones genéticas y fármacos. La lógica es clara: sin datos biológicos de alta calidad, cualquier algoritmo de IA se queda sin combustible.

La apuesta de GSK refleja un cambio de paradigma que el sector farmacéutico global viene perfilando desde hace años. De acuerdo con un artículo publicado en SciELO México que cita a Wouters et al., el tiempo medio para llevar un medicamento al mercado ronda los dieciséis años, con un costo mediano de 985 millones de dólares si se incluyen los ensayos fallidos. Incorporar IA al proceso podría reducir ese plazo a solo dos o tres años, según estimaciones de la propia industria. Sin embargo, la clave no está en el modelo computacional sino en qué información se le suministra.

Relation Therapeutics construye lo que llama un enfoque “Lab-in-the-Loop”: su laboratorio genera datos de transcriptómica unicelular, ensayos funcionales y perfiles de tejido, y esos resultados retroalimentan sus algoritmos de machine learning. La compañía también realiza experimentos de perturbación genética para medir cómo ciertos cambios alteran características celulares asociadas a enfermedades. Ese ciclo entre experimento húmedo y análisis computacional es exactamente lo que GSK está dispuesta a pagar.

El caso de Insilico Medicine, citado en el mismo artículo académico, ilustra el potencial: su modelo GENTRL diseñó e identificó inhibidores de una quinasa vinculada a fibrosis pulmonar en solo 21 días, incluyendo la síntesis química y la evaluación biológica. La velocidad fue posible porque el equipo integraba desde el inicio a químicos sintéticos, biólogos y científicos de datos. No fue un algoritmo solo: fue un flujo de trabajo donde los datos experimentales alimentaban al modelo y viceversa.

Para las empresas latinoamericanas, esta tendencia tiene implicaciones concretas. Al mismo tiempo, el concepto de “inteligencia aumentada” —donde la máquina no reemplaza al científico sino que amplifica su capacidad de decisión— obliga a repensar los equipos de I+D. Ya no basta con contratar un ingeniero de machine learning; se requiere personal de laboratorio que entienda cómo diseñar experimentos cuyos datos sean útiles para un modelo, y científicos de datos que sepan interrogar biología. Esa hibridación de perfiles es escasa en la región y representa un cuello de botella que los líderes de innovación deberían atender antes de comprar licencias de plataformas de IA.

Al mismo tiempo, el concepto de “inteligencia aumentada” —donde la máquina no reemplaza al científico sino que amplifica su capacidad de decisión— obliga a repensar los equipos de I+D. Ya no basta con contratar un ingeniero de machine learning; se requiere personal de laboratorio que entienda cómo diseñar experimentos cuyos datos sean útiles para un modelo, y científicos de datos que sepan interrogar biología. Esa hibridación de perfiles es escasa en la región y representa un cuello de botella que los líderes de innovación deberían atender antes de comprar licencias de plataformas de IA.

El acuerdo de GSK y Relation Therapeutics es una señal de mercado: los grandes actores globales están transfiriendo el riesgo de la generación de datos a startups especializadas. En América Latina, donde los recursos para I+D son más limitados, la pregunta estratégica no es si conviene adoptar IA, sino si la organización está dispuesta a construir la tubería de datos biológicos que la haga funcionar. Ignorar esa capa infraestructural es condenar cualquier inversión en modelos a quedarse en una demostración de laboratorio sin salida clínica.