¿Puede la IA diseñar un compuesto farmacéutico que se una a un objetivo proteico específico sin datos experimentales previos ?

Tradicionalmente, el descubrimiento de fármacos se basa en extensos experimentos de laboratorio y pruebas iterativas para identificar compuestos viables. Los modelos recientes de IA, como aquellos que utilizan enfoques generativos basados en difusión, pueden proponer ahora nuevas estructuras moleculares adaptadas a objetivos biológicos específicos. Esta capacidad acelera las primeras etapas de la investigación farmacéutica y reduce la dependencia de la selección exhaustiva.

La IA puede proponer nuevos compuestos similares a fármacos que se unan a un objetivo proteico especificado incluso cuando no existen datos experimentales previos, utilizando métodos de aprendizaje profundo basados en estructura como RFdiffusion o modelos de difusión entrenados en complejos proteína-ligando para generar moléculas químicamente plausibles y puntuaciones de acoplamiento sin retroalimentación de laboratorio. Estos modelos generativos aprenden las reglas de unión molecular a partir de grandes bases de datos estructurales y proponen candidatos que se ajustan al sitio de unión del objetivo, aunque sus diseños aún requieren validación bioquímica posterior para confirmar afinidad, selectividad y propiedades similares a fármacos. Los sistemas más recientes integran búsqueda evolutiva o aprendizaje por refuerzo para refinar la potencia y los perfiles ADMET, aumentando la fracción de resultados accesibles sintéticamente y de alto puntaje que pueden entrar en pruebas experimentales. Dado que no es estrictamente necesaria una estructura 3D, modelos basados en secuencias como las predicciones de sitios de unión informadas por AlphaFold también pueden guiar el diseño de ligandos cuando no se dispone de una estructura experimental.

— Enriched May 12, 2026 · Source: Nature — https://www.nature.com/articles/s41586-023-06419-4