Cómo la IA está ayudando a buscar medicamentos contra el cáncer: Dentro del motor de descubrimiento molecular de BIOPTIC
Por Wendy Frey
Encontrar un nuevo medicamento a menudo se describe como buscar una aguja en un pajar. En realidad, el problema es mucho mayor: el "pajar" puede contener miles de millones, o incluso billones, de moléculas posibles.
Aquí es donde la inteligencia artificial entra en el laboratorio.
BIOPTIC, una empresa biotecnológica centrada en la IA asociada con el empresario y exejecutivo de Google Andrey Doronichev, está desarrollando tecnología que utiliza el aprendizaje automático para buscar enormes bibliotecas químicas en busca de moléculas que podrían eventualmente convertirse en nuevos medicamentos. Uno de los programas más interesantes de la empresa se centra en el cáncer, donde su sistema de IA se ha utilizado para identificar inhibidores selectivos de VEGFR-3, un objetivo biológico involucrado en la angiogénesis tumoral.
La palabra importante aquí es eventualmente. La IA no presiona un botón y produce un medicamento contra el cáncer terminado. En cambio, ayuda a los científicos a decidir qué moléculas valen la pena sintetizar y probar en el mundo real.
¿Qué es BIOPTIC y qué hace realmente su IA?
BIOPTIC opera en la intersección de la inteligencia artificial, la química computacional y el descubrimiento de medicamentos. Su idea central es tratar el descubrimiento químico parcialmente como un problema de búsqueda.
Un programa de descubrimiento de medicamentos convencional puede comenzar con un objetivo biológico, una proteína involucrada en una enfermedad, y luego buscar una molécula capaz de interactuar con ese objetivo de la manera deseada. El desafío es que el número de moléculas con propiedades similares a medicamentos posibles teóricamente es astronómico.
El sistema B1 de BIOPTIC intenta hacer que esta búsqueda sea manejable.
El sistema representa moléculas matemáticamente, creando incrustaciones numéricas compactas que permiten comparar estructuras químicas a alta velocidad. Según la investigación revisada por pares de la empresa, B1 puede buscar bibliotecas que contienen decenas de miles de millones de compuestos y recuperar moléculas que pueden tener propiedades biológicas similares, incluso cuando sus estructuras químicas difieren significativamente.
| Etapa | Qué sucede |
|---|---|
| 1. Selección del objetivo | Los científicos eligen una proteína relacionada con una enfermedad |
| 2. Búsqueda de IA | El modelo escanea enormes bibliotecas moleculares virtuales |
| 3. Clasificación | Se priorizan los candidatos prometedores |
| 4. Síntesis | Las moléculas seleccionadas se producen físicamente |
| 5. Pruebas de laboratorio | Los investigadores miden la actividad biológica real |
| 6. Optimización | Los resultados guían el siguiente ciclo de búsqueda |
Por lo tanto, la IA no está reemplazando el laboratorio. Está actuando como un filtro extremadamente rápido antes de que comience el trabajo de laboratorio.
¿Cómo busca BIOPTIC B1 miles de millones de moléculas?
La base técnica de B1 es un sistema de análisis virtual basado en ligandos.
Un ligando es una molécula que puede unirse a un objetivo biológico, como una proteína. Si los científicos ya conocen varias moléculas con actividad útil, esas moléculas pueden servir como puntos de partida para una nueva búsqueda.
B1 convierte la información molecular en una representación vectorial compacta. En el sistema publicado, cada molécula se representa como una incrustación de 60 dimensiones almacenada usando precisión float16. El modelo puede entonces comparar una molécula de consulta con representaciones moleculares preindexadas y calcular similitudes a gran escala.
El sistema fue probado en Enamine REAL Space, una biblioteca química virtual que contiene aproximadamente 40 mil millones de moléculas enumeradas.
Esa escala crea un problema de ingeniería tanto como un problema científico. Los investigadores de BIOPTIC separaron el proceso en dos fases:
-
Escaneo: las redes neuronales procesan moléculas y generan incrustaciones.
-
Búsqueda: las incrustaciones precomputadas se comparan para recuperar los candidatos más relevantes.
En los puntos de referencia publicados, una búsqueda a través de la biblioteca de 40 mil millones de compuestos podría realizarse en aproximadamente dos minutos y quince segundos utilizando la configuración de búsqueda basada en SSD descrita en el documento. Una configuración basada en RAM fue considerablemente más rápida.
Esto no significa que la IA entienda la biología de la misma manera que un científico. Significa que el sistema puede navegar rápidamente por un mapa matemático del espacio químico e identificar candidatos que merecen más atención.
El Proyecto Cáncer: Buscando Inhibidores Selectivos de VEGFR-3
El programa de cáncer de BIOPTIC proporciona un ejemplo concreto de cómo puede funcionar este enfoque.
El objetivo es VEGFR-3, también conocido como FLT4, un receptor involucrado en las vías de señalización conectadas a la angiogénesis, la formación de nuevos vasos sanguíneos. Los tumores pueden explotar la angiogénesis para apoyar su crecimiento, lo que convierte esta vía en una área importante de investigación sobre el cáncer.
El desafío es la selectividad.
Los medicamentos que afectan ampliamente a múltiples receptores de VEGF también pueden interactuar con otros sistemas biológicos, lo que potencialmente aumenta la toxicidad. El proyecto de BIOPTIC tenía como objetivo identificar pequeñas moléculas con mayor selectividad para VEGFR-3.
La empresa utilizó un pipeline de dos modelos:
| Componente de IA | Función |
|---|---|
| Modelo de lenguaje basado en SMILES | Busca y clasifica moléculas usando representaciones químicas |
| Red Neuronal Gráfica | Revalora los principales candidatos para la selectividad de quinasa |
| Análisis Oncobox | Usa datos de RNA-seq para explorar tipos de cáncer potencialmente sensibles |
SMILES es una notación basada en texto utilizada para describir estructuras moleculares. Esto hace que la química sea sorprendentemente compatible con técnicas de modelos de lenguaje: una molécula puede ser representada como una secuencia de símbolos, permitiendo a los sistemas de IA aprender patrones en datos químicos.
Después de que el primer modelo escaneó una biblioteca ultra grande de 40 mil millones de compuestos, se utilizó una Red Neuronal Gráfica como segundo filtro. A diferencia de una secuencia de texto, un gráfico representa átomos como nodos y enlaces químicos como conexiones, haciendo que las GNN sean útiles para modelar la estructura y las relaciones moleculares.
De la Predicción Digital a una Molécula Real
Este es el punto donde la historia de la IA se convierte en ciencia real.
La computadora puede predecir que una molécula parece prometedora, pero la molécula aún debe ser sintetizada y probada experimentalmente.
En el proyecto VEGFR-3, BIOPTIC reportó pruebas de 110 compuestos utilizando un ensayo de perfilado de quinasa. Varias moléculas mostraron actividad contra VEGFR-3, y tres fueron selectivas para un único objetivo de VEGFR. Un candidato demostró más de 45 veces de selectividad sobre VEGFR-1 y VEGFR-2 en los experimentos reportados. Los hallazgos fueron presentados en un resumen para la Reunión Anual ASCO 2025 y publicados como un resumen de reunión en el Journal of Clinical Oncology.
Los investigadores luego combinaron el descubrimiento molecular con el análisis de secuenciación de RNA. Usando el algoritmo Oncobox, analizaron miles de perfiles de expresión tumoral para estimar qué tipos de cáncer podrían ser más sensibles a la inhibición selectiva de VEGFR-3. Los candidatos reportados para una mayor investigación incluyeron cáncer de tiroides papilar, cáncer renal de células claras, cáncer de páncreas, cáncer de ovario y sarcomas.
Estos son hallazgos de investigación, no evidencia de que un medicamento contra el cáncer terminado esté listo para los pacientes.
La Evidencia Científica Detrás de BIOPTIC B1
La tecnología de BIOPTIC también ha sido descrita en literatura científica revisada por pares.
En 2025, los investigadores publicaron un estudio en el Journal of Chemical Information and Modeling describiendo BIOPTIC B1 y su uso en un experimento prospectivo de descubrimiento de fármacos dirigido a LRRK2, una proteína asociada con la enfermedad de Parkinson.
El sistema buscó el mismo espacio químico de 40 mil millones de moléculas e identificó nuevos ligandos tanto para las formas normales como mutantes de LRRK2. Los mejores compuestos validados experimentalmente lograron constantes de disociación tan bajas como 110 nanomolar.
La siguiente etapa es particularmente importante para comprender el descubrimiento de fármacos asistido por IA. Los primeros hits no se trataron como respuestas finales. Los científicos utilizaron los mejores compuestos como puntos de partida para una búsqueda análoga, recuperaron moléculas estructuralmente relacionadas, las filtraron por propiedades prácticas y seleccionaron candidatos que podrían ser sintetizados de manera realista.
De 48 análogos elegidos, 47 fueron sintetizados con éxito. Los compuestos resultantes fueron luego probados nuevamente, creando un bucle de retroalimentación entre la computación, la química y la biología.
¿Por qué la IA no puede reemplazar a los científicos de medicamentos?
La frase "la IA descubre medicamentos" es atractiva, pero incompleta.
La IA puede clasificar moléculas en función de patrones aprendidos de datos. Puede acelerar el análisis virtual e identificar relaciones químicas que serían difíciles de explorar manualmente. Pero una predicción sigue siendo una predicción hasta que el trabajo experimental lo confirme.
Los científicos aún necesitan responder preguntas fundamentales:
- ¿La molécula realmente se une al objetivo?
- ¿Afecta a la vía biológica prevista?
- ¿Es lo suficientemente selectiva?
- ¿Es tóxica?
- ¿Puede llegar al tejido adecuado?
- ¿Se metaboliza de manera segura?
- ¿Funciona en animales?
- ¿Ayuda a los pacientes humanos?
Una molécula prometedora puede fallar en cualquier punto.
Esa es la razón por la cual el verdadero valor de sistemas como BIOPTIC B1 puede ser la velocidad más que la magia. Si la IA puede reducir miles de millones de posibilidades teóricas a unas pocas docenas de moléculas que merecen ser probadas, puede hacer que las primeras etapas del descubrimiento de fármacos sean más eficientes.
El Futuro de la Medicina Impulsada por IA
El trabajo de BIOPTIC ilustra una transformación más amplia en la biotecnología. La IA se está convirtiendo cada vez más en parte de la infraestructura de investigación misma, un sistema para buscar en el espacio químico, priorizar experimentos y conectar datos moleculares con información biológica.
La investigación sobre el cáncer de la empresa es especialmente interesante porque combina varias capas de computación: análisis molecular, modelado de selectividad y análisis de biología tumoral mediante RNA-seq.
Pero el producto final de este proceso no es una receta generada por IA. Es una lista corta de hipótesis para que los científicos las prueben.
Esa distinción es importante.
La IA puede ayudar a los investigadores a buscar miles de millones de moléculas más rápido que los métodos tradicionales. Puede descubrir andamios químicos desconocidos y señalar a los laboratorios hacia candidatos que de otro modo permanecerían ocultos. Sin embargo, la molécula aún tiene que sobrevivir a la química, biología, toxicología, investigación preclínica y ensayos clínicos.
En otras palabras, la IA no está reemplazando al científico que busca una cura para el cáncer.
Le está dando a ese científico un motor de búsqueda mucho más potente.
