Anthropic, conocida por sus modelos de IA, anunció hoy un programa propio de descubrimiento de medicamentos. La idea, según explica la compañía, es no quedarse solo en el software y meterse de lleno en el desarrollo de fármacos. El foco estará en enfermedades desatendidas, un terreno al que muchas grandes farmacéuticas suelen darle la espalda porque el retorno comercial es bajo.
El proyecto arrancará en la fase preclínica, antes de los ensayos en humanos. Ahí quiere localizar y evaluar candidatos prometedores antes de entrar en la parte del proceso que concentra más tiempo, más dinero y más exigencias regulatorias.
También encaja con el mensaje que Anthropic lleva tiempo repitiendo sobre su estructura como corporación de beneficio público. La empresa sostiene que ese marco le permite poner por delante las necesidades de los pacientes, y no solo la rentabilidad inmediata, algo que pesa especialmente cuando se habla de patologías que el mercado tradicional ha dejado a medio atender.
Los números ayudan a entender por qué esta apuesta despierta tanto interés. Vas Narasimhan, consejero delegado de Novartis, ha recordado que desarrollar un medicamento sigue llevando de media unos 12 años. Con herramientas de este tipo, ese plazo podría bajar a entre 7 y 8 años, y las tasas de éxito pasar del 8% al 16%, es decir, duplicarse.
Por eso el sector sigue de cerca cualquier avance en esta línea. Según cifras citadas por la propia industria, el 81% de las organizaciones farmacéuticas utilizó sistemas de IA en al menos un programa de desarrollo durante 2024.
Anthropic presentó además Claude Science, un entorno de trabajo para investigación conectado con más de 60 bases de datos científicas. Está pensado para facilitar tareas en genómica, proteómica o análisis unicelular sin obligar a los equipos a ir saltando de una plataforma a otra. La compañía ya menciona algunos casos: un investigador de la Universidad de California en San Francisco detectó en minutos una contaminación viral que había pasado desapercibida durante un año; en otro, Claude Science analizó 100 enfermedades genéticas raras en menos de una hora y señaló 32 candidatos para cribados posteriores.
El movimiento llega a una carrera cada vez más concurrida. Ahí están nombres como Isomorphic Labs, la filial de Google DeepMind apoyada en el ecosistema AlphaFold, mientras OpenAI también sigue ampliando su presencia en salud.
Pero el entusiasmo choca con límites bastante claros. Estas plataformas pueden acelerar la investigación temprana, sí, pero no borran la necesidad de ensayos clínicos largos ni el escrutinio regulatorio. Siguen además sobre la mesa los sesgos en los datos, la falta de transparencia, los errores de razonamiento, la privacidad de información sensible y una pregunta decisiva: quién responde cuando una recomendación computacional influye en una decisión biomédica. Dicho de otro modo, la promesa sigue concentrada sobre todo en el arranque del proceso; convertir esa velocidad en medicamentos aprobados, seguros y accesibles seguirá siendo la parte de verdad difícil.
