En 2026, la inteligencia artificial dejará de ser un complemento para convertirse en el eje del desarrollo farmacéutico. Según expertos del sector y directivos de empresas líderes citados por Drug Target Review, como Sapio Sciences, PacBio y Phesi, la IA ya no será opcional y determinará cómo se seleccionan los objetivos terapéuticos, se analiza la biología y se toman decisiones de desarrollo, con el potencial de reducir fracasos en etapas avanzadas y acelerar el acceso a nuevas terapias.
Aunque las expectativas son elevadas, directivos como Dr Gen Li, fundador de Phesi, han advertido que la integración de la IA en procesos clínicos requiere superar retos regulatorios y mantener estrictos estándares éticos.
PUBLICIDAD
Según Li, la confianza de los organismos de control, como la FDA, será fundamental y dependerá de validación rigurosa, gobernanza de datos y documentación clara. Esta postura sugiere que la adopción de herramientas como los gemelos digitales solo avanzará si se acompaña de marcos normativos sólidos.
El desarrollo farmacéutico ha incluido tradicionalmente procesos secuenciales: revisión bibliográfica, experimentación en laboratorio y validación de hipótesis. Hasta hace poco, el uso de IA se había limitado a etapas puntuales.
PUBLICIDAD
No obstante, para 2026 se prevé un cambio estructural, de acuerdo con Veronica DeFelice, directora de productos biológicos en Sapio Sciences. La selección de objetivos terapéuticos ya no se basará únicamente en datos publicados y análisis manuales; las plataformas asistidas por IA integrarán datos de genómica, proteómica y transcriptómica, lo que permitirá identificar patrones moleculares y mecanismos de enfermedad que antes pasaban inadvertidos.
La incorporación de estos grandes volúmenes de datos, analizados de manera simultánea, permitirá definir con mayor precisión los puntos de partida en el desarrollo de medicamentos biológicos.
PUBLICIDAD
DeFelice explicó que esto podría permitir una selección de objetivos “con mayor base biológica y caminos terapéuticos más claros”, minimizando así el riesgo de que los proyectos se detengan en etapas preclínicas.
Además, este enfoque permite concentrar recursos en candidatos mejor fundamentados, evitando revisiones posteriores de las hipótesis centrales del proyecto.
PUBLICIDAD
Paralelamente, la modelización biológica computacional se está integrando como práctica cotidiana en laboratorios que desarrollan moléculas complejas, como anticuerpos multiespecíficos o proteínas de fusión.
El acceso a herramientas de predicción estructural y simulación de unión, incrustadas en sistemas de laboratorio nativos de IA, ha hecho posible que los científicos evalúen virtualmente la afinidad y especificidad de potenciales fármacos antes de producirlos experimentalmente.
PUBLICIDAD
El resultado es una reducción de la experimentación por ensayo y error y una mejora en la selección de candidatos desde fases tempranas.
La tendencia también alcanza a la interpretación de datos genómicos. Neil Ward, vicepresidente para EMEA de PacBio, ha señalado el incremento “sin precedentes” del volumen de datos de genómica generado por las nuevas tecnologías de secuenciación.
PUBLICIDAD
Analizar un solo genoma requiere decenas de miles de líneas de código, y los estudios poblacionales podrían originar hasta “15 veces más datos que YouTube en la próxima década”. Frente a este desafío, los enfoques clásicos de bioinformática resultan insuficientes.
Por ello, ya proliferan interfaces que permiten analizar datos genómicos en lenguaje natural, facilitando el acceso a científicos sin especialización en programación avanzada y acelerando el entendimiento de la biología compleja.
PUBLICIDAD
Modelización biológica y colaboración hombre-máquina
La integración de IA y modelización computacional en los flujos de trabajo se traduce en ciclos de retroalimentación más cortos. A diferencia de las prácticas tradicionales, donde los experimentos y la simulación se concatenaban, ahora ambas dimensiones interactúan continuamente.
Los datos generados en cada etapa permiten afinar la hipótesis siguiente, incrementando la eficacia en la selección de candidatos terapéuticos.
PUBLICIDAD
Asimismo, el análisis computacional previo a la validación experimental implica que los equipos confían antes en los resultados de sus hipótesis biológicas.
Esto permite tomar decisiones tempranas sobre el mecanismo de acción, la modalidad terapéutica y el diseño experimental, optimizando recursos y tiempos de desarrollo. Inteligencia artificial en ensayos clínicos: los gemelos digitales
La IA ha comenzado también a transformar las fases clínicas mediante la adopción de gemelos digitales, es decir, representaciones virtuales de pacientes o procesos de ensayo. Según el Dr. Gen Li de Phesi, 2026 representará un punto de inflexión: tras años de pruebas piloto, los gemelos digitales se incorporarán a la práctica habitual en el diseño de protocolos, minimizando enmiendas y acelerando los plazos.
El avance definitivo depende, según Li, de la consolidación de regulaciones claras y marcos de riesgo proporcionados por organismos como la FDA.
El valor pleno de estas herramientas solo se materializará si los patrocinadores obtienen la confianza de los reguladores mediante validaciones exhaustivas, una gestión ética de los datos y documentación transparente.
Estas condiciones buscan garantizar ensayos más rápidos, centrados en el paciente y con mayor equidad.
Un proceso de descubrimiento más integrado
El panorama que presentan estas innovaciones es el de un desarrollo farmacéutico cada vez más integrado y guiado por computación.
La selección de objetivos mediante IA, la modelización biológica embebida, el procesamiento masivo de datos genómicos y la incorporación de gemelos digitales ya no operan como elementos aislados, sino que convergen en flujos de trabajo habituales.
Según los expertos consultados, el enfoque ha pasado de la experimentación puntual a la integración sistemática de IA, poniendo el énfasis en su inserción dentro de los procesos científicos y en la calidad de los datos que genera.
Los estudios y entrevistas atribuidos a Veronica DeFelice de Sapio Sciences, Neil Ward de PacBio y Dr. Gen Li de Phesi coinciden en que la transformación digital del descubrimiento de fármacos aún enfrenta retos científicos, técnicos y regulatorios.
La adopción efectiva dependerá de la evolución de estos marcos y de la colaboración continua entre empresas, laboratorios y agencias de control.
PUBLICIDAD
PUBLICIDAD
Últimas Noticias
¿Los neandertales eran igual de ingeniosos que los humanos modernos?
Un estudio realizado por científicos de Estados Unidos y China y publicado en la revista PNAS. Analizaron imágenes cerebrales de personas actuales y las compararon con datos de poblaciones antiguas para evaluar la inteligencia
Un bólido sorprendió a Buenos Aires y Uruguay: así se iluminó el cielo con una bola de fuego
Anoche, el fenómeno astronómico captó la atención de miles de personas y generó una ola de registros y testimonios en redes sociales
Pensamientos intrusivos: por qué aparecen ideas perturbadoras de forma repentina y las claves sobre el funcionamiento de la mente
Un informe de Science Focus, basado en la opinión de especialistas e investigaciones científicas, analizó este fenómeno frecuente, su vínculo con procesos cognitivos automáticos y el papel de la interpretación y el estrés en su intensidad
Los hijos de los superagers viven más y no son los genes: cuál es el secreto de su longevidad
Los datos recogidos durante 20 años por investigadores de la Tufts University revelan que la diferencia entre quienes envejecen bien y quienes no radica en algo que se aprende, se practica y está al alcance de cualquier persona
Por qué algunos músculos crecen más rápido: el rol oculto de la genética en la masa muscular
Estudios recientes revelan que la distribución interna de fibras condiciona la respuesta a cada rutina y explica diferencias en fuerza, desarrollo y rendimiento físico
