Desenvolupar un nou fàrmac costa de mitjana 2.600 milions de dòlars i triga dotze anys. El 90% dels candidats fracassa abans d'arribar al mercat. El 2025, un fàrmac dissenyat íntegrament per intel·ligència artificial —des de la identificació de la diana biològica fins a la molècula final— va completar un assaig de Fase IIa amb resultats clínicament significatius, es va publicar a Nature Medicine i va tenir un cost aproximat de sis milions de dòlars en la fase de descobriment i disseny. El programa sencer va durar trenta mesos des de zero. No és una simulació ni un article teòric: és un fàrmac real, en pacients reals, amb dades publicades.
La fibrosi pulmonar idiopàtica (FPI) mata unes 40.000 persones l'any només als Estats Units i disposa d'opcions terapèutiques molt limitades. La recerca farmacèutica tradicional portava dècades buscant dianes terapèutiques viables sense èxit rellevant. La plataforma d'IA d'Insilico Medicine, Pharma.AI, va identificar una diana biològica completament nova —la proteïna TNIK— que els investigadors humans havien descartat, i va dissenyar la molècula que acabaria convertint-se en Rentosertib (ISM001-055). Tots dos passos, els que consumeixen més temps i capital a la indústria farmacèutica tradicional, van ser automatitzats completament.
Insilico Medicine no és una startup especulativa d'IA. La companyia treballa actualment amb 13 de les 20 grans empreses farmacèutiques del món. Els ingressos per programari van créixer un 23,8% interanual el 2025, amb una base de clients de subscripció que va augmentar un 18,3%. El seu pipeline intern inclou 31 programes actius, cinc d'ells ja en fase clínica, tots iniciats i dissenyats mitjançant IA. Els resultats de Rentosertib no són una excepció: són la demostració que el model funciona a escala industrial.
El Problema dels 2.600 Milions Que Té Paralitzada la Innovació Farmacèutica
L'aritmètica del descobriment de fàrmacs tradicional és estructuralment inviable. Per portar un sol medicament al mercat, una empresa farmacèutica ha de finançar dotzenes de programes al llarg del descobriment, la fase preclínica, la Fase I, la Fase II i la Fase III, amb una taxa de fracàs industrial superior al 90% en cada etapa. El resultat: 2.600 milions de dòlars en R+D per fàrmac aprovat (DiMasi et al., Tufts CSDD), la major part invertida en programes que mai arriben a cap pacient.
El coll d'ampolla no és la manca d'esforç ni de recursos. És la capacitat de processament d'informació. Identificar la diana biològica correcta requereix integrar simultàniament dades genòmiques, proteòmiques, transcriptòmiques i clíniques de milers de variants de la malaltia. Dissenyar la molècula terapèutica òptima implica explorar un espai químic d'aproximadament 1060 compostos possibles. Cap equip humà pot fer això a velocitat ni a escala. És exactament el problema computacional per al qual van ser dissenyats els models de llenguatge de gran escala i la IA generativa, i és el que Insilico Medicine ha convertit en una plataforma end-to-end.
Les empreses que van adoptar el descobriment basat en IA entre el 2021 i el 2023 presenten ara dades de Fase II. Les que no ho van fer continuen gestionant els mateixos programes de 150 milions de dòlars amb horitzons de vuit anys. La bretxa de rendiment és avui mesurable, documentada i s'eixampla cada trimestre.
Com Funciona Pharma.AI: Tres Motors, Un Bucle Tancat
Pharma.AI integra tres motors d'IA especialitzats en un flux de treball de descobriment continu. Cada motor elimina un coll d'ampolla específic del pipeline tradicional.
PandaOmics és el motor d'identificació de dianes terapèutiques. Ingereix dades multi-òmiques —genòmiques, transcriptòmiques, proteòmiques i clíniques— i aplica aprenentatge automàtic per identificar dianes biològiques que l'anàlisi convencional passa per alt. Per al programa de Rentosertib, PandaOmics va analitzar patrons en centenars de mostres de teixit humà i cohorts de FPI, i va identificar TNIK (proteïna quinasa d'interacció amb TRAF2 i NCK) com una diana nova d'alta confiança. Els investigadors humans havien descartat TNIK; la IA va detectar un senyal de nivell de xarxa invisible en els conjunts de dades analitzats per separat. Aquest és el pas que costa als equips tradicionals anys de revisió bibliogràfica i formulació d'hipòtesis.
Chemistry42 és el motor de disseny molecular generatiu. Un cop validada la diana, Chemistry42 fa servir un model generatiu entrenat amb milions d'estructures moleculars conegudes per dissenyar candidats nous optimitzats simultàniament en potència, selectivitat, biodisponibilitat i perfil de seguretat. Per a ISM001-055, Chemistry42 va generar, cribar i classificar candidats amb aproximadament 60-200 molècules sintetitzades i avaluades en tot el programa, enfront dels milers que requereixen les campanyes de química medicinal convencional de 2-3 anys de durada.
LabClaw (desplegat el 2026) tanca el bucle de retroalimentació entre la predicció computacional i la validació experimental al laboratori físic. El sistema despatxa automàticament tasques experimentals cap als equips del laboratori —cultiu cel·lular, cribratge d'alt rendiment, seqüenciació de nova generació— creant un cicle de millora contínua en el qual els resultats experimentals alimenten directament la propera iteració de predicció de la IA. Aquest és el pas arquitectònic que transforma Pharma.AI d'una eina d'anàlisi en un sistema de descobriment autònom capaç d'aprendre dels seus propis experiments.
Rentosertib: El Fàrmac Que Va Demostrar el Model Davant del Món
Rentosertib va entrar en assajos clínics el 2023 i va completar un assaig de Fase IIa aleatoritzat, doble cec i controlat amb placebo en 21 centres de la Xina, amb 71 pacients amb FPI confirmada. Els resultats es van presentar al Congrés Internacional de la Societat Toràcica Americana (ATS) 2025 i es van publicar simultàniament a Nature Medicine el juny del 2025, una de les revistes mèdiques d'impacte més alt del món.
L'objectiu primari —seguretat i tolerabilitat en tots els nivells de dosi— es va assolir. L'anàlisi secundària d'eficàcia va mostrar que els pacients que van rebre 60 mg una vegada al dia van experimentar una millora mitjana de +98,4 mL en la capacitat vital forçada (CVF) a les 12 setmanes, enfront d'un descens mitjà de −20,3 mL en el grup placebo. La CVF és la principal mesura funcional pulmonar en la FPI, una malaltia en la qual la capacitat pulmonar disminueix de manera implacable. Les anàlisis exploratòries de biomarcadors van validar de manera independent TNIK com a diana mecanicista, confirmant que la identificació original de la IA era biològicament correcta.
El que això significa és clar: una diana terapèutica completament nova, identificada per IA en una àrea on els investigadors humans havien treballat durant dècades sense trobar un mecanisme d'alta confiança, validada per un assaig clínic publicat a Nature Medicine. El fàrmac avança ara cap a la Fase IIb/III.
Les Dades Que Estan Canviant les Decisions d'Inversió en Farma el 2026
Rentosertib és la demostració més documentada, però les dades a nivell d'indústria expliquen una història estructural més àmplia. Segons l'anàlisi d'Axis Intelligence 2026, més de 173 programes de fàrmacs amb origen en IA es troben actualment en desenvolupament clínic, enfront d'aproximadament 24 programes a finals del 2023. El mercat de la IA per al descobriment de fàrmacs s'estima en 5.000 milions de dòlars el 2026 i es preveu que arribi als 12.560 milions el 2034 amb una taxa de creixement anual composada del 12,2% (Grand View Research).
Eli Lilly va formalitzar la seva aposta amb una aliança estratègica de 2.750 milions de dòlars amb Insilico Medicine, un dels acords de IA-farma més grans de la història, assenyalant que el descobriment natiu en IA ja no és una iniciativa experimental sinó infraestructura estratègica per als pipelines farmacèutics més valuosos del món. Novo Nordisk, Pfizer i Sanofi han realitzat compromisos comparables amb altres plataformes d'IA. El 81% de les empreses farmacèutiques que ja despleguen IA no estan executant proves de concepte: financen programes amb objectius clínics, estratègies regulatòries i projeccions comercials.
La lògica financera és estructural. La IA redueix els costos de desenvolupament preclínic entre un 30% i un 70% eliminant els cicles de síntesi fallits que històricament han consumit la major part dels pressupostos de R+D en etapes primerenques. Per a una organització amb 20 programes actius, l'efecte acumulat suposa centenars de milions en capital recuperat, reinvertible en més pipeline. Les empreses que van adoptar aquesta infraestructura entre el 2022 i el 2023 porten avui dos cicles de Fase d'avantatge sobre les que no ho van fer.
L'Stack Tecnològic Darrere del Progrés
La plataforma completa d'Insilico funciona sobre subscripcions de programari empresarial. No es requereix maquinari propi més enllà de la infraestructura computacional estàndard.
| Eina | Rol en Aquest Flux de Treball | Tier Gratuït? | De Pagament Des De |
|---|---|---|---|
| Insilico PandaOmics | Identificació de dianes multi-òmiques i descobriment de biomarcadors | No | Subscripció enterprise |
| Insilico Chemistry42 | Disseny molecular generatiu de novo i optimització de candidats | No | Subscripció enterprise |
| Insilico Nach01 | Model fundacional de biologia; potencia el raonament avançat de dianes i compostos | No | Subscripció enterprise |
| LabClaw | Orquestació autònoma del laboratori: connecta prediccions de IA amb experiments físics | No | Enterprise (llançament 2026) |
| Microsoft Discovery | Entorn de recerca empresarial segur que allotja Nach01 per a equips farmacèutics | No | Azure enterprise |
Pharma.AI s'accedeix actualment mitjançant associació i subscripció enterprise. Insilico treballa amb 13 de les 20 grans empreses farmacèutiques del món com a clients de programari. L'accés per a entitats acadèmiques i biotechs més petites és disponible a través de programes de col·laboració externa. [REQUEREIX VERIFICACIÓ: condicions actuals de llicència acadèmica — consultar insilico.com/enterprise]
Qui Ha de Prestar Atenció Ara Mateix
El públic principal d'aquest cas d'ús són directors de descobriment de fàrmacs, responsables de biologia computacional, directors d'estratègia de R+D i lideratge tecnològic d'empreses farmacèutiques i biotecnològiques amb pipelines preclínics actius. Si la teva organització finança actualment programes que trigaran més de vuit anys a generar dades de Fase II, el model d'Insilico representa una amenaça competitiva directa de qualsevol competidor o soci que adopti primer el descobriment natiu en IA.
Aquest cas és igualment rellevant per a inversors de biotech i capital institucional: els marcs de valoració per a empreses de descobriment de fàrmacs natives en IA difereixen fonamentalment de la farma tradicional, perquè el cost per programa i el temps fins al senyal clínic han canviat estructuralment. Una biotech nativa en IA pot generar evidència de Fase II en 30 mesos, el mateix període que un competidor tradicional dedica a l'optimització de leads.
Aquest cas d'ús no és directament aplicable a fabricants de dispositius mèdics, ORC sense actius de descobriment propis, o empreses sense programes actius de molècules petites o biològics.
Explora Més Casos Reals d'IA a Sityos AI
Cada setmana, Sityos AI publica una anàlisi en profunditat de desplegaments reals d'IA —des de farma i logística fins a banca i construcció. Segueix-nos per accedir a resultats verificats i detall d'implementació dels projectes que realment funcionen en producció.
Preguntes Freqüents
- És Rentosertib l'únic fàrmac descobert per IA amb resultats de Fase II publicats?
- No. Rentosertib és el més prominent perquè tot el cicle de descobriment —identificació de la diana per IA + disseny de molècula per IA + Fase IIa positiva— està documentat en publicacions revisades per experts. Però més de 173 programes d'origen en IA es troben en desenvolupament clínic el 2026. Recursion Pharmaceuticals, Exscientia i Absci tenen programes en Fase I/II. El cas d'Insilico destaca perquè cada pas va ser impulsat per IA d'extrem a extrem, i els tres han estat validats de manera independent en la literatura científica.
- La IA substitueix els químics medicinals i els biòlegs en aquest model?
- No. El model Pharma.AI augmenta els equips científics en lloc de substituir-los. Els químics medicinals validen els candidats generats per IA i dissenyen rutes de síntesi. Els biòlegs dissenyen i executen els assajos els resultats dels quals retroalimenten el sistema. Els clínics dissenyen i dirigeixen els assajos. LabClaw automatitza el despatx físic de tasques experimentals, però el disseny experimental i la interpretació científica continuen sent responsabilitat humana. El guany d'eficiència prové d'eliminar els cicles iteratius dissenyar–sintetitzar–provar–fallar–repetir que històricament han consumit anys de treball dels químics en bastides moleculars improductives.
- Quant tarda una empresa farmacèutica a implementar Pharma.AI?
- La incorporació enterprise implica habitualment la integració amb els sistemes de dades existents —bases de dades genòmiques, biblioteques de compostos pròpies, dades d'historial clínic electrònic— seguida d'un sprint de descobriment supervisat en un programa inicial. El temps fins a la primera llista de dianes generada per IA es mesura en setmanes o pocs mesos, depenent de la disponibilitat i la qualitat de les dades. El desplegament complet de la plataforma, inclosa la integració wet-lab de LabClaw, és una implementació de diversos trimestres. [DADA A VERIFICAR — font: insilico.com/enterprise]
La trajectòria és inequívoca: el descobriment de fàrmacs natiu en IA està comprimint dècades de R+D farmacèutic en mesos. Les organitzacions que construeixen sobre aquesta infraestructura avui no executen pilots: presenten sol·licituds d'IND, generen dades de Fase II i signen acords de partnership de milers de milions de dòlars. Les eines estan provades. Els resultats de Fase IIa estan publicats. L'única variable que queda és el temps, i en farma, el temps es mesura en avantatge competitiu.