La convergencia entre biología y computación avanza a una velocidad inusual incluso para los estándares de la investigación biomédica. En poco más de un año, la inteligencia artificial pasó de diseñar las primeras moléculas de anticuerpos completamente nuevos a generar candidatos que, según los equipos de desarrollo, ya cumplen los requisitos para dar el salto a los ensayos clínicos. El objetivo es claro: acelerar la aparición de fármacos biológicos capaces de neutralizar virus, bloquear proteínas implicadas en cáncer o modular respuestas inmunes complejas con una precisión difícil de alcanzar por métodos tradicionales.
Los anticuerpos terapéuticos son una de las familias de medicamentos más exitosas de las últimas décadas. Se utilizan para tratar ciertos tumores, enfermedades autoinmunes y trastornos inflamatorios, entre otros problemas de salud, y generan ingresos de miles de millones de dólares cada año. Sin embargo, su diseño sigue siendo un proceso largo y costoso, en el que se exploran miles de variantes hasta encontrar unas pocas que combinen afinidad, estabilidad, seguridad y una manufactura viable a escala industrial.
Los nuevos enfoques basados en inteligencia artificial buscan reordenar ese proceso desde el inicio. En lugar de partir de bibliotecas experimentales masivas y cribarlas en el laboratorio, los modelos computacionales aprenden la “gramática” de los anticuerpos a partir de bases de datos de secuencias y estructuras conocidas. Con esa información, pueden proponer diseños de proteínas que no existen en la naturaleza, pero que presentan las propiedades deseadas para un objetivo terapéutico concreto, por ejemplo una proteína tumoral o una diana vírica específica.
En el último año, varios grupos demostraron que estas herramientas pueden generar anticuerpos funcionales que se unen a sus objetivos con una afinidad comparable a la de fármacos comerciales. La diferencia está en el camino recorrido: en lugar de años de experimentación iterativa, el proceso comienza con miles de propuestas generadas en cuestión de horas por modelos de aprendizaje profundo. Solo una fracción de esos diseños llega al laboratorio, donde se validan en células, cultivos y modelos animales, lo que reduce de forma notable el tiempo y el costo de desarrollo temprano.
Una de las áreas donde más interés despierta esta tecnología es la oncología. Algunos proyectos se centran en anticuerpos capaces de reconocer combinaciones sutiles de marcadores en la superficie de células tumorales, dejando intactos los tejidos sanos. Otros exploran la posibilidad de diseñar moléculas que cooperen con tratamientos existentes, como la inmunoterapia o la radioterapia, potenciando la respuesta del sistema inmunitario frente a tumores que hoy resultan difíciles de tratar.
También hay esfuerzos en marcha para aplicar estos anticuerpos diseñados por IA a enfermedades infecciosas. La experiencia reciente con brotes víricos mostró la importancia de contar con herramientas que puedan adaptarse con rapidez a variantes emergentes. Los modelos de diseño de proteínas permiten, en principio, ajustar la estructura de un anticuerpo de forma casi “a medida” para reforzar la unión a nuevas versiones de una proteína viral clave, siempre que se disponga de información genética y estructural suficiente sobre el patógeno.
Pese al entusiasmo, los expertos subrayan que la inteligencia artificial no elimina la necesidad de un contraste riguroso en el mundo real. El hecho de que un modelo prediga buena estabilidad o afinidad no garantiza por sí solo que el anticuerpo sea seguro en humanos. Por ello, los candidatos generados por IA deben superar las mismas fases de ensayos preclínicos y clínicos que cualquier otro fármaco: pruebas toxicológicas, estudios de farmacocinética y ensayos controlados que evalúen eficacia y efectos adversos en pacientes.
Uno de los debates abiertos gira en torno al papel que tendrán las grandes bases de datos y la propiedad de los modelos. Muchas de las herramientas de diseño se entrenan con colecciones extensas de secuencias de anticuerpos procedentes de publicaciones, patentes y estudios clínicos. Esto plantea preguntas sobre quién controla los algoritmos resultantes, cómo se comparten los beneficios y qué grado de transparencia es necesario para que los reguladores puedan evaluar los riesgos de cada nuevo candidato generado por IA.
Para los sistemas de salud, la aparición de fármacos diseñados con ayuda de inteligencia artificial puede tener un doble efecto. Por un lado, existe la posibilidad de abaratar ciertas etapas del desarrollo y acelerar la llegada de terapias contra enfermedades que hoy cuentan con pocas opciones. Por otro, si la tecnología se concentra en unas pocas compañías con gran capacidad computacional, los costos finales podrían mantenerse altos, limitando el acceso en países de ingresos medios y bajos.
A pesar de esas incógnitas, la dirección de viaje parece clara. Lo que hoy se presenta como una serie de primeros candidatos a ensayo podría convertirse, en pocos años, en una parte rutinaria del arsenal terapéutico. Si los ensayos clínicos confirman su seguridad y eficacia, los anticuerpos diseñados por inteligencia artificial pasarán de ser una promesa de laboratorio a formar parte de la práctica clínica. Para la comunidad científica, el desafío será acompañar ese salto con normas claras, datos abiertos y mecanismos de evaluación que garanticen que la revolución de la biología computacional se traduzca en beneficios concretos para los pacientes.