Revista Farmabiotec 22

#22 farmaBIOTEC 51 autónomos combinan adaptativamente información previa y búsqueda inteligente del espacio experimental mediante estrategias como la optimización bayesiana. Esto resulta esencial porque las reacciones químicas son sistemas muy complejos, donde solventes, bases, catalizadores, aditivos, temperatura o intensidad de luz interactúan entre sí de forma no lineal. Con frecuencia, la intuición humana no basta para navegar esa compleji- dad, especialmente cuando el número de combinaciones supera los miles. Aquí es donde la experimentación de alto rendimiento (HTE) adquiere un papel protagonista. Al miniaturizar las reacciones y ejecutarlas en paralelo en placas de 24, 96 o incluso 384 pocillos, el laboratorio se convierte en un entorno capaz de generar grandes conjuntos de datos experimentales de excelente calidad. Pero la verdadera revolución emerge cuando estos experimentos dejan de diseñarse manualmente y pasan a ser propuestos por modelos de IA que aprenden de los resultados obtenidos. Un ejemplo notable es el framework Minerva , [2] que com- bina HTE con algoritmos de ML para navegar espacios de búsqueda gigantescos (hasta 80.000 combinaciones en un solo estudio) y encontrar condiciones óptimas para reacciones catalizadas. No se trata de ensayar todo, sino de decidir inteligentemente qué condiciones van a gene- rar información relevante y cuáles conviene descartar, abaratando costes y disminuyendo subproductos. En muchos casos, estos sistemas encuentran soluciones que habían pasado desapercibidas en estudios previos guiados exclusivamente por la experiencia química. La repercusión en el desarrollo de fármacos es evidente. La síntesis de nuevos candidatos terapéuticos implica no solo la preparación de moléculas inéditas, sino también la identificación de condiciones sólidas, reproducibles y escalables para su fabricación a gran escala. En ese esce- nario, el aprendizaje automatico ( machine learning ) cum - ple una doble función. Por un lado, los modelos predic- tivos permiten anticipar el rendimiento o la selectividad de reacciones sin necesidad de ejecutarlas físicamente. Esto ahorra tiempo y reactivos, y abre la puerta a estrate- gias de computational pre-screening donde las hipótesis se validan primero por ordenador y solo las más prome- tedoras pasan al laboratorio. Por otro lado, la IA ofrece métodos para analizar tendencias químicas difíciles de detectar de forma puramente intuitiva, como la influencia simultánea de parámetros en reactividades o inhibiciones no deseadas. Este tipo de análisis ha permitido, por ejem- plo, mejorar modelos para predecir energías de activación en reacciones catalizadas por metales o desarrollar con - diciones robustas para acoplamientos carbono–carbono y carbono–nitrógeno o mejoras en el escalado de ciertos procesos críticos en la industria farmacéutica. La otra gran vertiente de la IA en química es la de los modelos generativos , herramientas capaces de propo- ner no ya condiciones experimentales, sino nuevas molé- culas: ligandos, aditivos, subproductos, catalizadores y potenciales fármacos. Estos modelos aprenden a par- tir de bibliotecas químicas existentes y generan nuevas Drug development