Una IA casi autónoma optimiza una reacción clave en química medicinal

OpenAI y la startup Molecule.one combinaron sus recursos para poner a prueba si una IA avanzada puede actuar como co‑investigador en química medicinal. El objetivo era claro: encontrar una forma de que la reacción de acoplamiento Chan‑Lam, usada para crear enlaces carbono‑nitrógeno, fuera más eficaz cuando los reactivos son sulfonamidas primarias, una clase de compuestos presente en anticancerígenos, antibióticos y diuréticos.

GPT‑5.4 recibió el encargo a través de prompts diseñados por químicos humanos. A partir de la literatura, el modelo generó miles de propuestas y las clasificó. Los investigadores revisaron las que obtuvieron mejor puntuación y seleccionaron cuatro para pasar al laboratorio automatizado Maria, una instalación de alta‑rendimiento que ejecuta experimentos en micro‑litros.

La propuesta más prometedora, etiquetada OAI‑M1‑03, sugería usar oxidantes suaves, entre ellos el radical nitroxilo TEMPO, para potenciar el acoplamiento. Los químicos consideraron la idea inesperada pero viable. Maria realizó dos ciclos de experimentación, procesando 10 080 reacciones —una cifra que superaría la carga de trabajo de un químico que haga tres pruebas al día durante una década.

Los datos mostraron una mejora sustancial. Bajo las condiciones optimizadas, el rendimiento medio subió de 16,6 % a 25,2 %. Además, la proporción de experimentos que superó el 30 % de rendimiento pasó de 15,6 % a 37,5 %. En el 88 % de los ácidos bórico probados y el 83 % de las sulfonamidas, los rendimientos mejoraron.

Para validar que el salto no era exclusivo del formato de micro‑litros, un equipo de químicos repitió manualmente 14 pares de sustratos a escala de bancada. Once de ellos mostraron mayor rendimiento, y en ocho casos el incremento fue superior al doble. Esta confirmación es crucial, ya que los resultados a pequeña escala pueden ocultar problemas que aparecen al escalar la síntesis.

El hallazgo tiene implicaciones directas para la industria farmacéutica. La síntesis de moléculas pequeñas sigue siendo uno de los cuellos de botella más severos en el descubrimiento de fármacos: si una reacción no rinde, la molécula correspondiente queda fuera del programa. Mejorar la confiabilidad del acoplamiento Chan‑Lam para sulfonamidas abre la puerta a explorar una gama más amplia de estructuras potenciales, acortando el tiempo entre la idea y el compuesto probable.

El proceso no fue completamente autónomo. Los químicos humanos mantuvieron el control en varios puntos: redactaron los prompts de dirección, seleccionaron las propuestas finalistas, ajustaron detalles del plan experimental (por ejemplo, eliminar el DMSO como solvente por posibles reacciones indeseadas) y llevaron a cabo la verificación a escala de laboratorio. Sin embargo, la mayor parte del razonamiento experimental y de diseño provino del modelo, que también analizó los datos y formuló la segunda ronda de pruebas.

Entre los hallazgos de la segunda fase, la IA descubrió que el análogo más económico 4‑hidroxi‑TEMPO ofrecía rendimientos muy similares, lo que sugiere una ruta de implementación más rentable. Cuatro expertos externos revisaron el pre‑print que describe OAI‑M1‑03 y coincidieron en que el resultado es novedoso y merece difusión, aunque la verdadera prueba será su reproducibilidad en laboratorios ajenos.

Este experimento ilustra tanto el potencial como los límites actuales de la IA en química orgánica. La tecnología pudo destacar una hipótesis inesperada, diseñar experimentos a gran escala y extraer conclusiones útiles, pero no reemplazó la supervisión humana ni el equipamiento especializado. Asimismo, la mejora se ha demostrado solo para esta reacción y un subconjunto de sustratos; extenderla a otros acoplamientos o a condiciones de fabricación requerirá más investigación.

Para los líderes de laboratorios y departamentos de I+D, la lección es clara: integrar modelos de lenguaje avanzados con instalaciones de alta‑rendimiento puede acelerar la identificación de variables críticas, reducir la cantidad de pruebas fallidas y, en última instancia, acortar los ciclos de desarrollo de compuestos. No se trata de delegar la ciencia a una máquina, sino de usarla como motor de generación de hipótesis que los expertos pueden validar rápidamente.

Mirando al futuro, OpenAI indica que continuará ampliando esta colaboración, explorando más clases de reacciones, ampliando la gama de sustratos y fomentando la replicación independiente. Si esas pruebas confirman la utilidad general, la combinación de IA y laboratorios automatizados podría convertirse en una herramienta estándar para superar los cuellos de botella de síntesis que hoy limitan la velocidad del descubrimiento farmacéutico.