Evogene y Google Cloud han presentado un modelo de base pionero para el diseño generativo de moléculas de pequeño tamaño. Esta innovadora plataforma, lanzada el 10 de junio de 2025, promete acelerar la investigación en descubrimiento de fármacos y protección de cultivos al optimizar simultáneamente propiedades como eficacia, toxicidad y estabilidad.
El nuevo componente de la familia ChemPass AI marca un antes y un después: sustituye los lentos procesos secuenciales por un enfoque en el que la IA genera candidatos que cumplen múltiples requisitos desde el primer ciclo de diseño.
De la investigación secuencial al diseño simultáneo
Hasta ahora, el desarrollo de compuestos avanzaba paso a paso: primero se comprobaba la actividad biológica, luego la seguridad y, finalmente, la estabilidad. Este método prolongado encarece la I+D y provoca que más del 90% de los candidatos fracasen antes de llegar al mercado.
Con la IA generativa, es posible abordar todas las variables a la vez. Evogene ha entrenado su modelo para que contemple eficacia, parámetros ADME y toxicidad en una misma fase, reduciendo así los fallos tardíos y optimizando recursos desde el inicio.
En el corazón de ChemPass AI: diseño generativo de moléculas
ChemPass AI se basa en un enorme conjunto de datos que incluye cerca de 40 000 millones de estructuras moleculares. Al emplear la infraestructura Vertex AI de Google Cloud con supercomputación GPU, el modelo aprendió la «gramática» química de los SMILES, codificaciones textuales que describen la disposición atómica.
Este motor, denominado ChemPass-GPT, utiliza transformadores similares a los de los grandes modelos de lenguaje, pero adaptados a secuencias químicas, lo que le permite generar nuevas moléculas válidas y con potencial farmacológico a partir de patrones aprendidos.
Optimización multiobjetivo: potencia, seguridad y estabilidad a la vez
Una de las fortalezas de ChemPass AI es su capacidad para equilibrar múltiples objetivos en un único proceso generativo. Mediante técnicas de aprendizaje multitarea y refuerzo, el modelo recibe recompensas por proponer compuestos que combinan alta afinidad, baja toxicidad y adecuada biodisponibilidad.
Gracias a esta estrategia, los investigadores pueden establecer criterios personalizados —por ejemplo, priorizar biodisponibilidad oral o biodegradabilidad ambiental— y obtener al instante candidatos que cumplan esas exigencias.
Un salto más allá de los métodos tradicionales de I+D
El enfoque de Evogene reduce la dependencia de la experiencia humana en series químicas conocidas, abriendo la puerta a regiones inexploradas del espacio molecular. Esto aumenta la probabilidad de hallar compuestos inéditos, con mayor facilidad de patentar y con actividad frente a dianas resistentes.
Además, al incorporar desde el principio la evaluación de patentes y viabilidad sintética, la plataforma minimiza riesgos legales y de manufactura, acelerando la transición del laboratorio a la producción.
Parte de un ecosistema de IA más amplio en Evogene
ChemPass AI forma parte de un trío de «tech engines»: MicroBoost AI para microbios, ChemPass AI para química y GeneRator AI para elementos genéticos. Cada motor aplica machine learning a su dominio, permitiendo una innovación integral en biotecnología y agricultura.
Esta estrategia «AI-first» busca reducir tiempos y costos de desarrollo en fármacos, bioestimulantes y cultivos resistentes, mediante la combinación de grandes datos y modelos predictivos avanzados.
Perspectivas: el descubrimiento impulsado por IA llega a su madurez
La colaboración entre Evogene y Google Cloud confirma que la IA generativa ha dejado de ser una promesa para convertirse en una herramienta esencial de I+D. Las futuras versiones ofrecerán una personalización aún mayor de los objetivos de diseño, adaptándose a necesidades específicas de cada proyecto.
A medida que las moléculas propuestas se validen experimentalmente, el feedback enriquecerá los modelos, cerrando el ciclo entre computación y laboratorio y allanando el camino para descubrir compuestos en fármacos, agroquímicos y más áreas de la ciencia de materiales.
