Proteínas diseñadas con IA en Estados Unidos: la ventaja startup se demuestra en el laboratorio

Diseñar una proteína en una pantalla no equivale a disponer de un medicamento ni de una enzima industrial. La inteligencia artificial está ampliando el espacio de secuencias que los investigadores pueden explorar, pero una propuesta computacional sigue siendo una hipótesis. Para las startups biotecnológicas de Estados Unidos, la oportunidad consiste en cerrar la distancia entre el modelo y la molécula que funciona: producirla, medir su actividad y comprobar que conserva sus propiedades en condiciones útiles para el cliente.

Conviene distinguir dos tareas que suelen mezclarse. Predecir la estructura de una proteína ayuda a entender cómo podría plegarse; diseñar una nueva implica proponer una secuencia para cumplir una función. Ninguna de las dos garantiza por sí sola eficacia, estabilidad o seguridad. Una proteína puede adoptar una forma plausible y, aun así, unirse al objetivo equivocado, degradarse rápidamente o resultar difícil de fabricar. La calidad de una imagen molecular no sustituye a la evidencia experimental.

El ecosistema estadounidense reúne universidades, laboratorios especializados, empresas farmacéuticas y proveedores capaces de sintetizar y analizar moléculas. Esa infraestructura permite a una startup contratar parte del trabajo sin construir todas sus instalaciones desde el inicio. Sin embargo, externalizar no elimina la necesidad de criterio científico interno. Elegir los ensayos, interpretar resultados contradictorios y detectar errores de medición son capacidades centrales; si se delegan por completo, la empresa corre el riesgo de no entender su propio producto.

La ventaja competitiva puede surgir del circuito entre diseño, ensayo y aprendizaje. Los sistemas automatizados de laboratorio ayudan a ejecutar experimentos de manera consistente, mientras los resultados permiten orientar la siguiente selección de candidatos. Pero no basta con acumular datos: importan los controles, las condiciones del ensayo y el registro de los fracasos. Si solo se conservan los resultados positivos, el modelo recibe una imagen sesgada de la realidad. Un conjunto de datos pequeño y bien caracterizado puede ser más útil que otro mayor pero inconsistente.

La elección del primer mercado cambia el recorrido empresarial. Una enzima destinada a un proceso industrial debe demostrar actividad en las temperaturas, mezclas e impurezas de ese proceso, además de un coste compatible con su uso. Un candidato terapéutico necesita un desarrollo preclínico y clínico adecuado a su aplicación y cumplir las exigencias regulatorias correspondientes. No son caminos intercambiables: cambian los compradores, los plazos, las responsabilidades y el capital necesario. Presentar ambos como simples extensiones de una misma plataforma oculta diferencias decisivas.

También hay una decisión comercial: vender acceso al software, realizar proyectos de diseño para terceros o desarrollar activos propios. El software exige integrarse en el trabajo científico del cliente; los servicios requieren delimitar entregables y derechos sobre los resultados; los activos propios concentran más riesgo de desarrollo. Una colaboración necesita aclarar quién puede utilizar las secuencias, los datos experimentales y las mejoras del modelo. Esa negociación resulta especialmente importante cuando el conocimiento del socio contribuye a entrenar o evaluar el sistema.

Para financiar estas compañías, los hitos más informativos no son únicamente el número de candidatos generados o la velocidad de cálculo. Importa conocer cuántos diseños superan pruebas pertinentes, si otro laboratorio reproduce el resultado y qué ocurre al aumentar la escala de producción. La diligencia inversora debe preguntar también por los fallos y por la dependencia de proveedores críticos. El capital puede organizarse alrededor de incertidumbres concretas que se van resolviendo, en lugar de asumir que una demostración digital anticipa automáticamente un producto comercial.

La lección para los fundadores es que la IA no elimina la biotecnología experimental: vuelve más importante elegir qué experimentar. Una startup puede comenzar con un problema acotado, acordar con un cliente cómo se medirá el éxito y construir evidencia antes de ampliar su promesa. En Estados Unidos, competir en este campo no exige necesariamente desarrollar el modelo más grande. Exige conectar capacidad computacional, rigor de laboratorio y una necesidad económica real, sin confundir una secuencia prometedora con un negocio validado.