Pasamos meses construyendo una IA que predice materiales antes de sintetizarlos: por qué el laboratorio del futuro no empezará con un matraz

Hay un momento al que vuelvo una y otra vez. Era tarde, un jueves, y yo estaba mirando fijamente una hoja de cálculo que alguien había enviado: un registro de cada compuesto que un equipo farmacéutico mediano había sintetizado y probado físicamente durante los dieciocho meses anteriores. Miles de filas. Costes de reactivos, horas de síntesis, resultados de caracterización. Y junto a cada fila, una columna etiquetada como «Resultado». La inmensa mayoría decía lo mismo: Fracaso.

No «resultado negativo interesante». No «callejón sin salida informativo». Simplemente: fracaso. El compuesto no se unía. El material no era estable. La reacción no rendía. Miles de experimentos, millones de dólares, y el equipo estaba esencialmente en el mismo punto de partida, salvo que ahora sabían qué no funcionaba. Lo cual es algo, supongo, si lo anotas. La mayoría de los equipos ni siquiera hacen eso.

Esa hoja de cálculo cristalizó algo que llevaba tiempo rondándome en Veriprajna. La forma en que la mayoría de los laboratorios de I+D descubren nuevos materiales y moléculas está fundamentalmente rota, no porque los científicos no sean brillantes, sino porque el método en sí ha chocado contra un muro que ninguna cantidad de brillantez puede escalar. Se estima que el espacio de búsqueda para moléculas similares a fármacos está entre 10⁶⁰ y 10¹⁰⁰. El número de átomos en el universo observable es aproximadamente 10⁸⁰. Estamos pidiendo a seres humanos que encuentren agujas en pajares que son literalmente más grandes que el cosmos, y les entregamos pinzas.

Voy a contarte por qué construimos lo que construimos, qué hicimos mal por el camino, y por qué creo que la era de la ciencia de adivinar y comprobar —lo que a menudo se denomina el «enfoque edisoniano»— está llegando a su fin. No de forma gradual. De forma abrupta.

¿Por qué el método de Edison sigue siendo el estándar predeterminado en la I+D?

Thomas Edison probó miles de filamentos de carbono antes de encontrar uno que brillara el tiempo suficiente para ser útil. Esa historia se cuenta como una parábola sobre la perseverancia. Lo que se omite es que incluso Nikola Tesla, contemporáneo de Edison, señaló que «un poco de teoría y cálculo» podría haber ahorrado el 90 % del trabajo. Con el tiempo, el propio Edison se pasó a métodos más estructurados. Pero su legado —el ensayo y error por fuerza bruta— de algún modo se convirtió en la metodología fundacional de la investigación farmacéutica y de materiales moderna.

El cribado de alto rendimiento, o HTS, se suponía que industrializaría esto. Automatizar las conjeturas. Probar un millón de compuestos en lugar de mil. Y durante un tiempo funcionó, o al menos daba la sensación de que funcionaba. Pero las tasas de aciertos seguían cayendo. Los falsos positivos seguían aumentando. Los compuestos que «funcionaban» en el cribado resultaban ser tóxicos, insolubles o imposibles de fabricar a escala. Una campaña estándar de HTS podría probar 10⁶ compuestos. Incluso si lo escalaras a mil millones —10⁹—, habrías explorado aproximadamente el 0,000000000000000000000000000000000000000000000000001 % del espacio químico disponible.

El método de Edison en la química moderna es como intentar cartografiar el océano Pacífico sumergiendo una cucharilla en el agua a intervalos aleatorios.

Las consecuencias financieras son brutales. El coste de desarrollar un nuevo fármaco alcanzó aproximadamente 2230 millones de dólares por activo en 2024. La tasa interna de retorno de la I+D farmacéutica se desplomó al 1,2 % en 2022 antes de recuperarse hasta el 5,9 % en 2024, y esa recuperación se debió en gran medida a una única clase de fármacos (los agonistas GLP-1), no a ninguna mejora sistémica en el funcionamiento del descubrimiento. Este declive incluso tiene nombre: la Ley de Eroom. La Ley de Moore escrita al revés. Cada década, el descubrimiento de fármacos se vuelve más lento y más caro.

Recuerdo una conversación con un científico de materiales —alguien a quien respeto profundamente— que me dijo, sin rodeos: «Sabemos que estamos malgastando la mayor parte de nuestro presupuesto. Pero no sabemos qué experimentos saltarnos». Esa frase me obsesionó. Porque la respuesta honesta es: sí puedes saberlo. Solo necesitas un tipo de instrumento distinto. No una pipeta mejor. Un mapa mejor.

La noche en que la simulación no coincidió con el laboratorio

Cuando mi equipo empezó a construir modelos informados por la física para la predicción de materiales, tuvimos una experiencia que nos bajó los humos. Habíamos entrenado un modelo para predecir la estabilidad de una clase de compuestos inorgánicos. El modelo señaló una composición concreta como termodinámicamente inestable; en esencia, decía «no te molestes en sintetizar esto». Pero la literatura sugería lo contrario. Un artículo publicado afirmaba que esta composición era prometedora.

Discutimos sobre ello durante dos días. La mitad del equipo quería confiar en el modelo. La otra mitad decía que estábamos siendo arrogantes: ¿quiénes éramos nosotros para invalidar resultados experimentales publicados? Con el tiempo profundizamos en el artículo y descubrimos que el resultado «prometedor» se basaba en una fase metaestable que se degradaba en cuestión de horas bajo condiciones reales de operación. El modelo había acertado. El artículo también había acertado técnicamente —el material existía—, pero era inútil para cualquier aplicación práctica.

Ese fue el momento en que comprendí la diferencia entre el aprendizaje automático informado por la física y el tipo de IA que domina los titulares. La mayor parte de la IA que hay ahora en el mercado —lo que se construye sobre grandes modelos de lenguaje— aprende de correlaciones en los datos. Es reconocimiento de patrones a escala. Y es extraordinaria para muchas tareas. Pero las moléculas no son frases. Son grafos tridimensionales con restricciones geométricas, orbitales electrónicos, quiralidad y límites termodinámicos a los que no les importa qué patrones ha visto GPT-4 en su corpus de entrenamiento.

El aprendizaje automático informado por la física incorpora las leyes reales de la física —conservación de la masa, ecuaciones termodinámicas, restricciones de la mecánica cuántica— directamente en la arquitectura del modelo. En lugar de necesitar millones de datos para aprender que la energía se conserva, el modelo lo sabe desde el principio. Esto implica tres cosas que importan enormemente en la práctica:

Necesita muchísimos menos datos de entrenamiento. Puede extrapolar más allá de su distribución de entrenamiento sin generar resultados físicamente imposibles. Y no alucina moléculas que violen la química básica.

Escribí sobre esta distinción con mucha más profundidad en la versión interactiva de nuestra investigación, pero la idea central es sencilla: si tu IA puede proponer una molécula que viola la conservación de la masa, no está haciendo ciencia. Está haciendo autocompletado.

¿Qué ocurre cuando cierras el bucle?

Aquí es donde la cosa se pone interesante, y donde invertimos la mayor parte de nuestro esfuerzo de ingeniería. Predecir materiales de forma computacional es el primer paso. Pero la predicción por sí sola sigue siendo un bucle abierto. Simulas, obtienes un resultado, un humano lo interpreta, otro humano diseña el siguiente experimento, alguien reserva tiempo en el sintetizador, y semanas después tienes un único dato. El cuello de botella no es la IA. Es el humano en medio.

La verdadera transformación ocurre cuando cierras el bucle: la IA predice, un robot sintetiza, los sensores caracterizan el resultado, los datos retroalimentan al modelo, y la IA selecciona el siguiente experimento. Sin humano en medio. Diseñar-Fabricar-Probar-Analizar, funcionando de forma continua.

El A-Lab del Laboratorio Nacional Lawrence Berkeley demostró esto a escala. Su sistema autónomo sintetizó 41 compuestos inorgánicos novedosos en 17 días, un rendimiento que a investigadores humanos les llevaría meses. Cuando una síntesis fallaba, la IA analizaba el patrón de difracción de rayos X, ajustaba las proporciones de los precursores y los perfiles de calentamiento, y reintentaba. Una tasa de éxito del 71 % para materiales novedosos, lograda por un sistema que corrige sus propios errores en tiempo real.

Pero el motor matemático que subyace a esto —la parte que hace que todo funcione— es algo llamado aprendizaje activo con optimización bayesiana. Y vale la pena entenderlo, porque es la razón por la que los laboratorios de bucle cerrado no solo son más rápidos que los laboratorios dirigidos por humanos, sino fundamentalmente más eficientes.

¿Por qué la optimización bayesiana supera al cribado aleatorio?

El cribado tradicional es aleatorio. Eliges compuestos de una biblioteca, los pruebas y esperas. La optimización bayesiana hace algo radicalmente distinto: construye un modelo probabilístico de todo el espacio de búsqueda, incluido lo que no sabe, y luego selecciona estratégicamente el experimento que más le enseñará.

El modelo predice dos cosas para cada punto no probado: un valor esperado (cómo de bueno podría ser este material) y una incertidumbre (cómo de confiado está el modelo en esa predicción). Luego, una función de adquisición —piénsala como la estrategia de toma de decisiones de la IA— equilibra la exploración (investigar regiones inciertas) frente a la explotación (refinar áreas que parecen prometedoras).

Aquí es donde se vuelve elegante. El potencial de aprendizaje automático ANI-1x alcanzó una precisión a nivel DFT —esto es, la teoría del funcional de la densidad, el patrón de referencia de la química computacional— usando solo el 10 % de los datos que requeriría un muestreo aleatorio ingenuo. Y la optimización bayesiana informada por el coste puede reducir los costes de reactivos hasta en un 90 % al tener en cuenta el precio de cada experimento a la hora de decidir qué probar a continuación. Si dos experimentos ofrecen información similar, pero uno cuesta 5000 dólares en reactivos y el otro cuesta 50, el sistema elige el barato.

El aprendizaje activo no solo encuentra respuestas más rápido. Formula mejores preguntas.

Una cosa que sorprende sistemáticamente a la gente: en este marco, los experimentos fallidos son algunos de los datos más valiosos que puedes generar. En el modelo edisoniano, un resultado negativo queda enterrado en un cuaderno de laboratorio. En el aprendizaje activo, cada fracaso afina la comprensión del modelo sobre dónde están los límites. Cartografía los callejones sin salida de la química —de forma permanente—, de modo que la organización nunca vuelve a malgastar recursos en esos caminos. Ese conocimiento topológico del paisaje del fracaso es propiedad intelectual que se acumula con el tiempo.

El problema de «simplemente usa GPT»

Necesito abordar algo directamente, porque lo escucho constantemente. Inversores, clientes potenciales, incluso algunos científicos dicen: «¿Por qué no usar simplemente GPT-4 para esto? Sabe química».

No la sabe. No de la forma que importa.

Los grandes modelos de lenguaje representan las moléculas como cadenas de texto —normalmente notación SMILES, que es una codificación lineal de una estructura tridimensional—. Esto es como describir un edificio leyendo su dirección en voz alta y esperar que alguien entienda el plano de la planta. Los LLM son «sensibles a la permutación» (el orden de los caracteres importa), mientras que las moléculas son invariantes a la permutación (el orden en que enumeras los átomos es irrelevante). Los estudios comparativos muestran de forma sistemática que las redes neuronales de grafos, que modelan las moléculas como grafos 3D reales con nodos y aristas, superan a los LLM en tareas de predicción de propiedades que implican estructura geométrica.

La arquitectura correcta —la que defendemos y construimos— es híbrida. Los LLM son orquestadores brillantes. Pueden analizar la literatura científica, extraer recetas de síntesis, generar protocolos experimentales y razonar sobre estrategia de alto nivel. Pero para el trabajo pesado del diseño molecular, el análisis de estabilidad y la predicción de propiedades, necesitas redes neuronales de grafos restringidas por la física. El LLM es el director del proyecto. La GNN es el ingeniero. Necesitas ambos, y necesitas saber en cuál confiar para cada tarea.

Muchas de las ofertas de IA actuales en la ciencia son envoltorios en torno a API públicas de LLM. Un envoltorio no puede imponer la conservación de la masa. No puede navegar un espacio de búsqueda de 10¹⁰⁰ con rigor bayesiano. No puede integrarse con el hardware robótico que cierra el bucle.

Para el desglose técnico completo de estas decisiones arquitectónicas —incluyendo cómo la optimización multifidelidad fusiona datos de simulación baratos con resultados experimentales costosos— consulta nuestro artículo de investigación detallado.

La fontanería de la que nadie habla

Hay un secreto sucio en la investigación de laboratorios autónomos: la IA suele ser la parte fácil. La parte difícil es lograr que el espectrómetro hable con el manipulador de líquidos, que hable con la placa calefactora, que hable con la IA. Los instrumentos de laboratorio de distintos fabricantes hablan lenguajes propietarios diferentes. Sin una capa de traducción universal, tu laboratorio autónomo es un cerebro en un frasco.

Por eso el estándar SiLA 2 —Standardization in Lab Automation, o estandarización en la automatización de laboratorios— importa tanto, y por eso dedicamos una cantidad de tiempo poco glamurosa pero crítica al middleware. SiLA 2 trata cada instrumento como un microservicio. La IA envía un comando de alto nivel («Dispensa 5 ml») sin necesidad de conocer el protocolo del puerto serie del brazo robótico específico. Funciona sobre protocolos web modernos, admite conectividad en la nube y —crucialmente— puede envolver instrumentos heredados. Un HPLC de veinte años puede convertirse en parte de un bucle autónomo.

Antes de que se mueva cualquier robot físico, simulamos el experimento completo en un Gemelo Digital: una réplica virtual del laboratorio que valida la sincronización, las trayectorias de colisión y la logística. Cuando se ejecuta el experimento real, comparamos los datos de los sensores con las predicciones del gemelo para detectar anomalías: una pipeta obstruida, un sensor de temperatura que se desvía. El gemelo es la red de seguridad que hace que la autonomía sea fiable.

Seré honesto: esta es la parte del trabajo sobre la que nadie escribe notas de prensa entusiastas. Pero es la parte que determina si un laboratorio de bucle cerrado realmente funciona en producción o solo funciona en una demostración.

Las cifras que me hicieron cambiar de opinión

Llegué a este trabajo siendo escéptico ante la exageración. La IA en el descubrimiento de fármacos ha estado «a cinco años de distancia» durante veinte años. Lo que me hizo cambiar de opinión no fue la teoría. Fueron resultados concretos.

Exscientia consiguió llevar moléculas pequeñas diseñadas por IA a ensayos clínicos de fase I en aproximadamente 12 meses, frente a un promedio del sector de 4 a 5 años. Insilico Medicine llevó un candidato para la fibrosis desde el descubrimiento de la diana hasta candidato preclínico en menos de 18 meses, a una fracción del coste habitual. Los 41 compuestos del A-Lab en 17 días. Los modelos predictivos de toxicidad del Broad Institute que filtran los compuestos peligrosos antes de la síntesis, ahorrando millones en costes de fracaso posteriores.

Estas no son proyecciones. Son resultados. Y comparten una arquitectura común: simulación antes de la síntesis, modelos informados por la física, bucles de retroalimentación cerrados y captura sistemática de datos negativos.

A veces me preguntan si esto elimina por completo la necesidad de los laboratorios experimentales. No lo hace. El laboratorio experimental sigue siendo donde vive la verdad, donde las predicciones del modelo se encuentran con la realidad. Lo que cambia es la proporción. En lugar de realizar diez mil experimentos para encontrar un acierto, realizas cincuenta. El laboratorio experimental se convierte en un instrumento de validación, no en un motor de búsqueda.

Otros se preocupan por la pérdida de empleos: ¿reemplazará esto a los científicos? Según mi experiencia, ocurre lo contrario. Los científicos con los que he trabajado que adoptan estas herramientas no se vuelven menos importantes. Se vuelven más estratégicos. Dedican su tiempo a los problemas que requieren juicio humano —interpretar resultados inesperados, diseñar nuevos paradigmas experimentales, formular preguntas que la IA no ha sido entrenada para hacer— en lugar de pipetear a lo largo de una biblioteca de compuestos que ya sospechan que no funcionarán.

El arte se convirtió en ingeniería

Pienso a menudo en esa hoja de cálculo. Todas esas filas de «Fracaso». Cada una representaba la hipótesis de alguien, la tarde de alguien, el presupuesto de alguien. En el modelo edisoniano, esos fracasos eran el coste de hacer negocios: inevitables, esperados y en gran medida invisibles en la contabilidad final.

En el modelo que estamos construyendo, cada uno de esos fracasos se habría predicho. No todos —no pretendo omnisciencia—. Pero los suficientes como para que la hoja de cálculo tuviera una fracción de su longitud, y la columna «Resultado» tuviera un aspecto muy distinto.

El espacio de búsqueda para nuevas moléculas y materiales es incomprensiblemente vasto. Ninguna cantidad de intuición humana, ninguna flota de manipuladores de líquidos, ninguna campaña de HTS de mil millones de dólares puede explorarlo de forma significativa solo mediante experimentación física. Las matemáticas simplemente no lo permiten. Lo que las matemáticas sí permiten es la navegación inteligente: usar modelos restringidos por la física para simular antes de sintetizar, la optimización bayesiana para formular las preguntas correctas en el orden correcto, y la automatización robótica para cerrar el bucle entre la predicción y la realidad.

La era edisoniana produjo cosas extraordinarias. Pero fue una metodología nacida en una época en la que la teoría no podía seguir el ritmo del experimento. Ya no vivimos en esa época. La teoría está aquí. La capacidad de cómputo está aquí. La robótica está aquí. Lo único que queda es la voluntad institucional de dejar de tratar la I+D como un arte practicado por individuos talentosos y empezar a tratarla como una disciplina de ingeniería impulsada por sistemas deterministas.

No adivines y compruebes. Simula y selecciona.

Eso no es un eslogan. Es un imperativo económico. Cada material probado físicamente que podría haberse descartado de forma computacional es dinero prendido en llamas. Y las organizaciones que entiendan esto primero no solo avanzarán más rápido: harán que la vieja forma de trabajar sea económicamente inviable para todos los demás.