Un nuevo enfoque desarrollado por investigadores de la Simon Fraser University en Canadá podría cambiar drásticamente el proceso de descubrimiento y fabricación de medicamentos, una de las tareas más costosas y lentas en el ámbito de la salud. Bajo el nombre de CGFlow, esta herramienta basada en inteligencia artificial no solo diseña moléculas terapéuticas, sino que también indica los pasos para fabricarlas en laboratorios reales.
El cuello de botella de la industria farmacéutica
Diseñar un medicamento eficaz es solo el comienzo de un largo camino. Aunque las herramientas de inteligencia artificial ya han demostrado ser capaces de generar moléculas con potencial terapéutico, muchas veces esas moléculas no pueden producirse en condiciones reales, porque carecen de una ruta de síntesis química viable.
Según Martin Ester, profesor de ciencias de la computación en Simon Fraser University, el desarrollo de un nuevo fármaco puede tardar una década y costar hasta mil millones de dólares. CGFlow podría ser clave para reducir ese tiempo y costo, acercando soluciones médicas a quienes las necesitan con mayor rapidez.
Una doble inteligencia: forma y fabricación
Lo que distingue a CGFlow de otros modelos de IA es su capacidad para trabajar en dos dimensiones simultáneamente:
- La estructura tridimensional del medicamento, crucial para su interacción con las proteínas responsables de enfermedades.
- La ruta de síntesis química, que detalla cómo construir esa molécula paso a paso en un laboratorio.
Esta aproximación dual es comparable a diseñar una llave que encaje en una cerradura (la proteína que se quiere inhibir), al mismo tiempo que se escribe el manual para fabricar esa llave con materiales reales.
Paso a paso, como un escultor molecular
A diferencia de otros sistemas que intentan generar la molécula final de una sola vez, CGFlow trabaja como si fuera un escultor que modela una estatua agregando arcilla poco a poco. Cada nuevo elemento modificado por el algoritmo cambia tanto la forma como la funcionalidad de la molécula, permitiendo que el proceso de diseño se ajuste de forma continua y realista.
Gracias a este enfoque, se logran resultados más precisos y adaptados a la realidad de la síntesis química. En palabras del propio Ester: «Hemos desarrollado un método de aprendizaje automático que prácticamente garantiza que la molécula generada pueda ser fabricada».
Una herramienta prometedora para tratar el cáncer
Uno de los campos donde CGFlow ya ha despertado interés es el de la oncología. Varias empresas están explorando el uso de esta IA en la etapa temprana del desarrollo de fármacos contra el cáncer, donde la rapidez y la precisión son esenciales.
Dado que el método permite identificar no solo la forma ideal de una molécula sino también la manera realista de producirla, se minimiza el desperdicio de recursos en compuestos imposibles de fabricar. Esta eficiencia podría ser vital para acelerar los ensayos preclínicos y clínicos.
Del laboratorio al mundo real
El estudio que presenta CGFlow fue expuesto en la International Conference on Machine Learning 2025, en Vancouver, y ya ha despertado el interés de la industria farmacéutica. Los investigadores están ahora enfocados en colaborar con empresas para llevar esta tecnología a aplicaciones reales, donde podrá ser perfeccionada con datos del mundo clínico.
Según Tony Shen, estudiante de doctorado y autor principal del estudio, todo comienza identificando la proteína que causa una enfermedad. Luego, modelos computacionales se encargan de crear moléculas capaces de unirse a esa proteína para bloquear su actividad, como si fueran llaves diseñadas a medida para cerrar un candado.
Una mirada al futuro del diseño de medicamentos
El desarrollo de herramientas como CGFlow podría representar una nueva etapa en el campo de la medicina personalizada, donde los tratamientos se diseñan específicamente para atacar mecanismos moleculares particulares.
No se trata solo de ahorrar tiempo o dinero. Se trata de salvar vidas. En enfermedades donde cada día cuenta, como ciertos tipos de cáncer o enfermedades raras, disponer de una vía más rápida y eficaz para crear fármacos puede marcar la diferencia.
