Machine Learning en el diseño racional de fármacos - nuevos avances en el descubrimiento de fármacos (2000-2024)

Aug 3, 2026

El descubrimiento de fármacos es un proceso históricamente costoso y lento, que ha sido transformado por el Machine Learning mediante análisis masivos y predicciones sobre propiedades farmacológicas. La monografía revisa el impacto del ML desde 2000 hasta 2024, enfocándose en aplicaciones y retos en QSAR y CADD. Se reporta mejora en la predicción de actividad biológica, toxicidad y farmacocinética, con aportes de redes neuronales profundas y modelos generativos, aunque persisten desafíos de interpretabilidad, calidad de datos y validación experimental.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas21

Tiempo de lectura32 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Diseño racional de fármacos y métodos computacionales

Evolución del Machine Learning (2000-2024)

Debates: interpretabilidad, calidad de datos y validación

Transferencia a la industria y barreras regulatorias

Retos en farmacocinética y farmacodinámica

Objetivo del trabajo

Monografía Machine Learning en el diseño racional de fármacos: nuevosavances en el descubrimiento de fármacos (2000-2024) Dania Geraldine Tellez Ruiz 1 y James Guevara Pulido 2* 1 Estudiante de Química Farmacéutica; [dgtellez@unbosque.edu.co](dgtellez@unbosque.edu.co) 2 PhD Organic Chemistry; [joguevara@unbosque.edu.co](joguevara@unbosque.edu.co) * Resumen: El descubrimiento de fármacos ha sido durante mucho tiempo un proceso costoso ylento, pero el Machine Learning (ML) ha revolucionado esta área al permitir análisis masivos de datos y predicciones precisas de propiedades farmacológicas. Este estudio analiza el impacto del ML en el diseño racional de fármacos desde el año 2000 hasta el 2024, evaluando sus aplicaciones ydesafíos. Se realizó una búsqueda sistemática en bases de datos especializadas para identiﬁcar publicaciones relevantes en Relaciones Cuantitativas Estructura-Actividad (QSAR) y diseño defármacos asistido por computadora. Los resultados muestran que el ML ha mejorado la predicciónde actividad biológica, toxicidad y farmacocinética, con avances signiﬁcativos en redes neuronales profundas y modelos generativos. Sin embargo, persisten retos en la interpretabilidad de los modelos, la calidad de los datos y la validación experimental. A pesar de estos desafíos, el ML sigue consolidándose como una herramienta esencial en la química farmacéutica, acelerando el descubrimiento de nuevos fármacos y optimizando el desarrollo de medicamentos. Como estudiante de Química Farmacéutica, vi cómo el ML optimiza la selección de blancos terapéuticosy propiedades ADMET, destacando la importancia de datos de calidad. A pesar de los desafíos, el ML es clave en el desarrollo de medicamentos más seguros y eﬁcaces. Palabras clave: Diseño racional de fármacos, Machine Learning, CADD, redes neuronalesartiﬁciales, impacto en la química farmacéutica. 1. Introducción El descubrimiento y desarrollo de nuevos fármacos es un proceso complejo, costosoy prolongado que históricamente ha dependido de enfoques experimentalestradicionales. Estos métodos incluyen el cribado de compuestos químicos, ensayos biológicos sistemas celulares (in vitro) y modelos animales (in vivo) y optimizaciónestructural mediante síntesis química. Sin embargo, la baja tasa de éxito y los elevados costos asociados han impulsado la búsqueda de estrategias más eﬁcientes. En este contexto, el ML ha emergido como una herramienta revolucionaria en el diseño racional de fármacos, facilitando el análisis de grandes volúmenes de datos y la predicción precisa de propiedades farmacológicas, farmacocinéticas y toxicológicas [1] . El concepto de diseño racional de fármacos se fundamenta en el uso del conocimiento estructural y funcional de las moléculas para optimizar su actividad biológica y minimizar efectos adversos. Tradicionalmente, este enfoque ha sido impulsado por métodos computacionales como QSAR, el acoplamiento molecular (Docking) y la dinámica molecular. Sin embargo, la integración de ML ha potenciado signiﬁcativamente estas técnicas, permitiendo la construcción de modelos predictivos Facultad de ciencias, Departamento de Química, Programa de Química Farmacéutica, Coordinación modalidad de trabajos de grado. más precisos basados en datos históricos y la identiﬁcación de patrones complejos que serían difíciles de detectar mediante métodos convencionales [2-3] . Desde el año 2000, se ha observado un crecimiento exponencial en la aplicación de ML en el descubrimiento de fármacos. Inicialmente, se emplearon modelos de regresióny clasiﬁcación supervisada para predecir la actividad biológica de compuestos químicos [4] . Con la evolución de la Inteligencia Artiﬁcial (IA), técnicas más avanzadas comoredes neuronales profundas (Deep Learning, DL), aprendizaje por refuerzo y modelos generativos han demostrado su capacidad para diseñar nuevas entidades moleculares con propiedades optimizadas [5,6] . Estas estrategias han sido aplicadas con éxito en diversas eta

Preguntas frecuentes

Qué problema aborda el Machine Learning en el descubrimiento de fármacos?

El ML busca hacer el proceso más eficiente al permitir el análisis de grandes volúmenes de datos y la predicción de propiedades farmacológicas, farmacocinéticas y toxicológicas.

Qué áreas del diseño racional de fármacos se revisan en el documento?

Se revisa la integración del ML con enfoques como QSAR, acoplamiento molecular y otras técnicas computacionales, así como su uso en etapas como cribado virtual, interacciones fármaco-proteína, optimización y evaluación de toxicidad.

Cuáles son los principales desafíos del uso de ML descritos en el texto?

Persisten retos de interpretabilidad, la calidad y representatividad de los datos de entrenamiento, y la validación experimental rigurosa de las predicciones computacionales.

Aug 3, 2026

Subir por Clementine