El viernes 24 de abril de 2026, en el escenario de WIRED Health en Londres, Max Jaderberg subió al podio sin grandes efectos especiales y soltó la frase que la industria farmacéutica esperaba desde hacía años: "Tenemos un pipeline amplio y emocionante de nuevos medicamentos, y estamos preparándonos para llevar nuestros primeros candidatos a ensayos clínicos en humanos." El presidente de Isomorphic Labs —la empresa nacida en 2021 como spinoff de Google DeepMind para aplicar el descubrimiento detrás de AlphaFold al desarrollo de fármacos— acaba de poner fecha a un cruce que cambia las reglas de la medicina moderna.
Por primera vez en la historia, una compañía respaldada por una de las mayores potencias de inteligencia artificial del mundo se prepara para ensayar en pacientes reales moléculas que no fueron descubiertas en un laboratorio biológico, sino diseñadas computacionalmente por algoritmos. La promesa, repetida por Demis Hassabis, CEO de DeepMind y fundador de Isomorphic, no es modesta: "resolver todas las enfermedades" en una generación. Lo concreto, hoy, es bastante más acotado pero no menos histórico.
Del Premio Nobel al consultorio: cómo se llegó hasta acá
Para entender la magnitud del anuncio hay que retroceder cinco años. En 2024, Hassabis y John Jumper recibieron el Premio Nobel de Química por AlphaFold, el sistema que resolvió en cuestión de meses un problema que la biología llevaba cinco décadas tratando de descifrar: cómo se pliegan las proteínas. Saber esto, que parece técnico, es en realidad la base de toda la medicina moderna. Cada enfermedad, cada virus, cada fármaco actúa sobre proteínas. Predecir cómo se pliegan permite diseñar moléculas que encajen exactamente donde hace falta.
Isomorphic Labs es la apuesta industrial de DeepMind para convertir ese conocimiento en pastillas reales. La empresa firmó en 2024 acuerdos con Eli Lilly y Novartis valuados en cerca de 3.000 millones de dólares en pagos por hitos. En enero de este año sumó a Johnson & Johnson como tercer gigante farmacéutico aliado. Y en febrero presentó la Isomorphic Labs Drug Design Engine (IsoDDE), una plataforma que, según la propia empresa, supera en más del doble la precisión de AlphaFold 3 para predecir interacciones entre proteínas y moléculas pequeñas. La pregunta que quedaba abierta era cuándo iban a llevar todo eso a un ensayo clínico real. Hoy, ya hay respuesta.
Qué van a probar y por qué empieza por oncología
Los primeros candidatos que entrarán a ensayos clínicos serán terapias oncológicas. La elección no es casual. El cáncer es la enfermedad donde el ratio entre necesidad médica no cubierta y dificultad de descubrimiento es más alto: hay miles de tipos de tumores, cada uno con su propia firma molecular, y desarrollar un fármaco específico para cada subtipo era hasta hace poco económicamente inviable. La IA cambia esa ecuación porque permite explorar millones de moléculas candidatas en simulación, antes de sintetizar siquiera una.
En la práctica, eso se traduce en tiempos y costos radicalmente distintos. La industria farmacéutica habla desde hace décadas de la "regla de los 10": un fármaco nuevo cuesta más de 10 años y más de 1.000 millones de dólares en llegar al mercado, con tasas de fracaso superiores al 90%. Los modelos de IA prometen comprimir las primeras etapas —el descubrimiento de la molécula y la optimización de su diseño— de cinco años a meses, y reducir costos en órdenes de magnitud. Lo que sigue —ensayos preclínicos, ensayos clínicos en humanos, aprobación regulatoria— sigue requiriendo años. Pero la cantidad de "tiros al arco" se multiplica.
Lo que cambia con Isomorphic Labs
- Diseño computacional puro: moléculas optimizadas por IA antes de ser sintetizadas en el laboratorio.
- IsoDDE: motor propio que supera a AlphaFold 3 en precisión para predecir uniones proteína-ligando.
- Pipeline múltiple: varias líneas de investigación simultáneas, todas en oncología en esta primera ronda.
- Alianzas top-tier: acuerdos con Eli Lilly, Novartis y Johnson & Johnson que aportan experiencia clínica y regulatoria.
- Velocidad sin precedentes: el ciclo de descubrimiento se mide en meses, no en años.
Jaderberg fue cuidadoso al hablar de tiempos. Los primeros pacientes recibirán las moléculas dentro del marco de ensayos de Fase 1, los más tempranos, donde lo que se evalúa principalmente es seguridad y dosis tolerable. Si todo sale bien, los datos de Fase 1 estarán listos en 2027, los de Fase 2 hacia 2028 y, recién hacia 2029-2030, podríamos hablar de un fármaco diseñado por IA aprobado para uso comercial. Es un horizonte largo medido contra el ritmo del software, pero increíblemente corto medido contra la historia farmacéutica.
El contexto competitivo: la carrera ya está corriendo
Isomorphic no está sola. Recursion Pharmaceuticals, Insilico Medicine, Atomwise y al menos una decena más de startups vienen explorando el mismo terreno. Insilico ya tiene una molécula contra fibrosis pulmonar idiopática en Fase 2, y publicó datos preliminares prometedores. Recursion, fusionada con Exscientia en 2024, opera el mayor laboratorio robotizado del mundo donde la IA decide qué experimentos correr cada noche. Lo distinto de Isomorphic es la combinación de tres factores: el músculo computacional de Google, la base científica de AlphaFold y el respaldo de tres farmacéuticas globales.
La industria observa con una mezcla de fascinación y nervios. Para Pfizer, Merck o Roche, la posibilidad de que una empresa nacida hace cinco años llegue al mercado con fármacos competitivos representa una amenaza estructural. Por eso casi todos los grandes laboratorios montaron en los últimos dos años divisiones internas de IA o firmaron alianzas con compañías como Isomorphic. Es la misma dinámica que vimos en otras industrias cuando llegó el shock digital: o adoptás la nueva tecnología o corrés el riesgo de quedar fuera del juego.
Qué significa para Uruguay y el Cono Sur
La pregunta que se hace cualquier lector uruguayo es legítima: ¿esto nos toca? La respuesta es sí, y de varias formas. Para empezar, en términos de acceso a medicamentos. Si el modelo de Isomorphic funciona, los próximos años deberían traer un goteo creciente de terapias oncológicas más específicas, mejor toleradas y eventualmente más baratas.
En segundo plano, hay una conversación silenciosa pero estratégica sobre talento. Uruguay tiene un Polo Tecnológico de Pando, una facultad de Química respetada en la región y una facultad de Ingeniería que viene formando especialistas en machine learning desde hace una década. Las compañías biotecnológicas globales están contratando bioinformáticos remotos en países como Argentina, Brasil y Chile —y, en menor medida, Uruguay— para tareas de curado de datos, validación de modelos y soporte de pipelines. Es un nicho pequeño pero de alto valor agregado, y crece en el Cono Sur a un ritmo que las universidades aún no terminan de capturar.
Para los emprendedores y empresarios uruguayos del sector salud —clínicas, mutualistas, laboratorios privados, distribuidoras— el cambio que se viene es de modelo de negocio. La IA permitirá personalizar tratamientos según el perfil genético del paciente, predecir respuestas a fármacos antes de prescribirlos y optimizar inventarios de medicamentos costosos. Empresas chicas en Montevideo, Buenos Aires y Santiago ya están construyendo herramientas para integrar estas capacidades a las prácticas clínicas locales. Y hay una oportunidad concreta para el Cono Sur en materia de ensayos clínicos: la región tiene historia, infraestructura hospitalaria y costos competitivos para reclutar pacientes en estudios multicéntricos. Si Isomorphic y similares aceleran el pipeline global de moléculas, el Cono Sur puede captar una porción interesante de los ensayos que vendrán.
Las dudas que la euforia no termina de tapar
El optimismo del anuncio convive con preguntas serias. La primera es de validación: ningún fármaco diseñado por IA llegó todavía al mercado, y la historia de la farmacología está llena de moléculas que parecían perfectas en simulación pero fracasaron en pacientes reales por interacciones imprevistas, toxicidad o falta de eficacia. Hasta que un Isomorphic, un Insilico o cualquier otro logre cruzar la línea de la aprobación regulatoria —Fase 3 completa, datos sólidos, FDA o EMA convencidas— el modelo sigue siendo, técnicamente, una promesa.
La segunda es regulatoria. Las agencias como la FDA en Estados Unidos, la EMA en Europa o el MSP en Uruguay no tienen aún criterios específicos para evaluar fármacos diseñados con IA. ¿Qué nivel de transparencia debe tener el modelo? ¿Cómo se audita una decisión algorítmica que dio origen a una molécula? ¿Quién es responsable si el medicamento falla por una decisión tomada en una capa oculta de una red neuronal? Son preguntas abiertas que probablemente se resolverán a base de precedentes durante los próximos cinco años.
La tercera, y la más incómoda, es de equidad. Las terapias diseñadas por IA serán inicialmente caras, dirigidas a tipos de cáncer relativamente raros y disponibles primero en mercados ricos. La distancia entre la promesa de "resolver todas las enfermedades" y la realidad de a quién benefician los avances primero es, históricamente, larga. Para América Latina y Uruguay en particular, la pregunta no es solo si la IA va a producir mejores fármacos, sino qué tan rápido y a qué precio van a llegar a los pacientes que más los necesitan.
El día en que la biología se volvió un problema de software
Más allá del anuncio puntual, lo que está pasando con Isomorphic Labs marca una transición silenciosa pero profunda: la biología, durante siglos una ciencia experimental dominada por el ensayo y el error, está siendo absorbida por la lógica del software. Diseñar una molécula empieza a parecerse cada vez más a programar una función, con sus iteraciones rápidas, sus pruebas automatizadas y su estructura modular. Es la misma transformación que ya vivieron la fotografía, la música, el diseño gráfico y, ahora, la programación misma.
Para el sector salud uruguayo y regional, el desafío no es competir con DeepMind sino aprender a integrar las capacidades que vendrán. Para los pacientes, la promesa concreta es que en los próximos diez años podríamos ver una nueva generación de tratamientos oncológicos que hoy no podemos imaginar. Y para los reguladores, abogados, médicos y legisladores, llega el momento incómodo de empezar a preparar el marco para una medicina donde la decisión clave —qué molécula sintetizar y por qué— se toma en parte dentro de un modelo cuya lógica interna no es completamente legible para nadie. Lo que arrancó como una victoria académica de Hassabis y Jumper en 2024 está empezando, recién ahora, a convertirse en un problema de salud pública del tamaño de toda la civilización. Y va a ser fascinante de mirar.