¿Puede la IA reemplazar el 60% de la I+D farmacéutica diseñando y probando nuevos fármacos *in silico* mediante química generativa y modelos predictivos de toxicidad ?

Los modelos de aprendizaje profundo como AlphaFold ya han revolucionado el plegamiento de proteínas. La IA generativa ahora propone moléculas novedosas con afinidades de unión prometedoras, lo que plantea la pregunta de cuándo la IA podrá asumir por completo el descubrimiento de fármacos.

---

A partir de 2024, la química generativa impulsada por IA y los modelos predictivos de toxicidad han dado pasos significativos para acelerar las primeras etapas del descubrimiento de fármacos, permitiendo el diseño y la selección rápida *in silico* de candidatos moleculares. Técnicas como la optimización multiobjetivo con aprendizaje por refuerzo (por ejemplo, REINVENT o MolGen) y modelos basados en transformadores (por ejemplo, acoplamiento informado por AlphaFold2) pueden proponer estructuras novedosas con afinidades de unión favorables y riesgos reducidos de efectos fuera de diana. Sin embargo, ninguna fuente publicada respalda la afirmación de que estas herramientas puedan reemplazar de manera autónoma el 60 % de la I+D farmacéutica tradicional: los ensayos clínicos, los trámites regulatorios y los ensayos a gran escala siguen siendo liderados por humanos y requieren una gran cantidad de datos. La práctica actual de la industria enfatiza el uso de la IA como un multiplicador de fuerza en el descubrimiento de hits y la optimización de leads, más que como un reemplazo total de los flujos de trabajo de I+D.

— Enriquecido el 10 de mayo de 2026 · Fuente: McKinsey & Company — https://www.mckinsey.com/industries/life-sciences/our-insights/artificial-intelligence-in-pharmaceutical-drug-discovery