En noviembre de 2020, mientras el mundo luchaba contra la pandemia de COVID-19, un tipo diferente de avance captó la atención mundial. Google DeepMind anunció que su modelo AlphaFold había resuelto el problema del plegamiento de proteínas, uno de los enigmas más difíciles de la biología. El anuncio fue aclamado como el equivalente científico de un alunizaje. Las redacciones lo llamaron una revolución que podría llevar nuevos medicamentos al mercado más rápido que nunca.
Pero media década después, la avalancha de nuevas curas no se ha materializado. A pesar de que se invierten miles de millones de dólares en inteligencia artificial (IA), el descubrimiento de fármacos sigue siendo un proceso lento y costoso. Esta paradoja está en el centro de lo que los analistas Jack Scannell, Alex Blanckley, Helen Boldon y Brian Warrington llamaron la Ley de Eroom en un documento de 2012.
Desajuste cantidad-calidad
Cuando Gordon Moore predijo en 1965 que la potencia informática se duplicaría cada dos años y los costos se reducirían a la mitad, captó el sorprendente ritmo del progreso en la electrónica, una regla que llegó a denominarse Ley de Moore. Pero en medicina ha ocurrido todo lo contrario. La Ley de Eroom (‘Moore’ escrita al revés) observa que el número de nuevos fármacos descubiertos por cada mil millones de dólares gastados ha ido disminuyendo constantemente durante décadas.
Hoy en día, llevar un medicamento al mercado cuesta varias veces más que en la década de 1970, a pesar de la disponibilidad de computadoras, laboratorios y algoritmos muy superiores. En resumen, los chips han avanzado pero las pastillas se han ralentizado.
En el descubrimiento de fármacos, cada nuevo tratamiento comienza con una hipótesis, una idea fundamentada o una conjetura sobre cómo una molécula podría influir en la enfermedad. Durante décadas, la verdadera limitación nunca ha sido la cantidad de hipótesis sino la calidad. Incluso antes de la llegada de la IA, los investigadores generaron millones de ideas plausibles, la mayoría de las cuales no condujeron a ninguna parte. Con los sistemas de inteligencia artificial actuales, esa cifra ha aumentado a miles de millones, pero la calidad de las hipótesis no ha mejorado. Los algoritmos pueden aumentar exponencialmente la cantidad de hipótesis, pero no pueden mejorar la calidad infundiéndoles intuición o imaginación. El salto de la cantidad a la calidad sigue siendo un privilegio claramente humano.
Creatividad y caos
La IA que utiliza técnicas de aprendizaje profundo, como AlphaFold, se nutre de patrones en los que se ocultan relaciones claras y bien definidas dentro de los datos. El problema del plegamiento de proteínas encajaba perfectamente con esto. En 2015, los científicos ya habían mapeado más de 1,5 lakh de estructuras de proteínas a lo largo de cinco décadas de esfuerzo humano utilizando cristalografía de rayos X, espectroscopia de fluorescencia y espectroscopia de resonancia magnética nuclear de proteínas.
Había una pregunta conocida, un vasto conjunto de datos y una idea de cómo debería ser una respuesta correcta, toda conceptualizada por humanos.
Por lo tanto, el éxito de AlphaFold fue similar al de un estudiante brillante que supera un examen de ingreso nacional, como el NEET o UPSC. Las preguntas eran difíciles pero predecibles; el programa de estudios era amplio pero bien conocido; y años de trabajo preliminar humano habían construido el material de entrenamiento. Con suficiente práctica computacional, el estudiante podría alcanzar los primeros puestos.
Sin embargo, el descubrimiento de fármacos no es un examen; es un acto de exploración. Se parece a un buscador de talentos de cricket que intenta detectar a un futuro Virat Kohli en el polvoriento terreno de una aldea para su equipo de IPL o a un analista político que intenta predecir quién podría convertirse en el próximo primer ministro de la India. No existe un patrón fijo, ni un programa de estudios establecido, ni un manual de entrenamiento confiable. Por otro lado, la aleatoriedad domina en el desierto en el que opera el descubrimiento de fármacos.
Accidentes contra AlphaFold
La penicilina fue descubierta porque Alexander Fleming olvidó tapar una placa de Petri. La insulina se descubrió a través de una serie de complicados experimentos en perros, realizados por Frederick Banting y Charles Best, que simplemente intentaban aislar extractos pancreáticos. El paracetamol se originó a partir de una identificación errónea en un cuaderno de laboratorio en el siglo XIX y la metformina se estudió para el tratamiento de la influenza antes de que se entendiera su papel en la diabetes.
El mundo actual también es mucho más ético y cuidadoso, y con razón. Cada molécula debe pasar por rigurosas pruebas preclínicas y ensayos clínicos de varias fases antes de llegar a los pacientes. Esta precaución, aunque esencial, también ha ralentizado el viaje de descubrimiento. Los primeros científicos podían probar ideas descabelladas con relativa libertad; Los investigadores de hoy navegan por montañas de papeleo y evaluaciones de riesgos. Entonces, incluso cuando la IA propone una molécula prometedora, el camino hacia un frasco recetado sigue siendo un maratón largo y arduo.
AlphaFold pudo superar un desafío computacional porque estaba resolviendo un problema limitado: uno en el que existían reglas y los científicos humanos ya habían mapeado el territorio. Sin duda, la IA seguirá remodelando varios aspectos de la medicina, incluidos los exámenes de detección, el diseño de ensayos clínicos y la reutilización de medicamentos. Pero esperar que cree o desarrolle nuevas curas por sí solo es una locura. La IA sobresale cuando se guía por preguntas que los humanos ya saben cómo hacer y verificar, garantizando así que sus respuestas sean precisas y confiables. En términos más generales, la IA puede reproducir el conocimiento a un ritmo más rápido, pero no imaginarlo ni crearlo. Así que, si bien seguirá remodelando diversos aspectos de la medicina, incluidos los exámenes de detección, el diseño de ensayos clínicos y la reutilización de medicamentos, esperar que cree o desarrolle nuevas curas por sí solo sería una locura.
Como muestra la historia, cada gran salto en la medicina, desde la insulina hasta el paracetamol, comenzó con una mente humana dispuesta a vagar más allá de los datos.
(Nota: las capacidades de la IA descritas aquí son a partir de noviembre de 2025).
El Dr. C. Aravinda es médico académico y de salud pública. Las opiniones expresadas son personales.
