SIMULAR PARA CURAR: EL PAPEL DE LA CIENCIA DIGITAL EN EL DESARROLLO DE NUEVOS FÁRMACOS
DOI:
https://doi.org/10.32399/icuap.rdic.2448-5829.2026.34.1685Palabras clave:
In silico, Diseño farmaceutico, Diseño computarizado de drogas, Inteligencia artíficial, Desarrollo de medicamentosResumen
En los últimos años, la simulación in silico se ha posicionado como una herramienta clave en el diseño y desarrollo de nuevos fármacos. Mediante modelos computacionales, inteligencia artificial y análisis predictivos, es posible anticipar la interacción entre moléculas bioactivas y sus posibles blancos terapéuticos, optimizando la selección de candidatos antes de los ensayos in vitro o in vivo. Este artículo presenta una revisión narrativa de investigaciones publicadas entre 2007 y 2025, en las que se destaca la aplicación de la simulación digital en áreas como la oncología, la nutrición, la odontología y enfermedades infecciosas. Herramientas como el docking molecular, la dinámica molecular, los modelos QSAR y las predicciones ADMET han reducido los costos experimentales, minimizado el uso de modelos animales y ayudado a priorizar los compuestos con mayor potencial terapéutico. La evidencia recopilada muestra la transformación de cómo podrían ser las futuras terapias y su tendencia hacia la innovación terapéutica y reducción de los tiempos y costos de investigación.
Citas
Atwal, K. (2024). Artificial intelligence in clinical nutrition and dietetics: A brief overview of current evidence. Nutrition in Clinical Practice, 39(4), 736–742. https://doi.org/10.1002/ncp.11150
Chang, Y., Hawkins, B. A., Du, J. J., Groundwater, P. W., Hibbs, D. E., & Lai, F. (2022). A guide to in silico drug design. Springer. https://doi.org/10.1038/s41392-022-01166-6
Chen, H., Engkvist, O., Wang, Y., Olivecrona, M., & Blaschke, T. (2018). The rise of deep learning in drug discovery. Drug Discovery Today, 23(6), 1241–1250. https://doi.org/10.1016/j.drudis.2018.01.039
Char, D. S., Shah, N. H., & Verghese, A. (2018). The promise and peril of artificial intelligence in medicine. JAMA, 320(19), 2058–2059. https://doi.org/10.1001/jama.2018.17525
Dror, R. O., Dirks, R. M., Grossman, J. P., Xu, H., & Shaw, D. E. (2012). Biomolecular simulation: A computational microscope for molecular biology. Annual Review of Biophysics, 41, 429–452. https://doi.org/10.1146/annurev-biophys-042910-155245
Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., & Dean, J. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. https://doi.org/10.1038/s41591-018-0316-z
Furka, Á. (2022). Forty years of combinatorial technology. Drug Discovery Today, 27(10), 103308. https://doi.org/10.1016/j.drudis.2022.103308
Gómez-Bombarelli, R., Wei, J. N., Duvenaud, D., Hernández-Lobato, J. M., Sánchez-Lengeling, B., Sheberla, D., Aguilera-Iparraguirre, J., Hirzel, T. D., Adams, R. P., & Aspuru-Guzik, A. (2018). Automatic chemical design using a data-driven continuous representation of molecules. ACS Central Science, 4(2), 268–276. https://doi.org/10.1021/acscentsci.7b00572
Gramatica, P. (2007). Principles of QSAR model validation: Internal and external. QSAR & Combinatorial Science, 26(5), 694–701. https://doi.org/10.1002/qsar.200610151
Hospital, A., Goñi, J. R., Orozco, M., & Gelpí, J. L. (2015). Molecular dynamics simulations: Advances and applications. Advances and Applications in Bioinformatics and Chemistry, 8, 37–47. https://doi.org/10.2147/AABC.S70333
McLennan, S., Fiske, A., Celi, L. A., & Lehmann, L. S. (2020). The ethical implications of AI in clinical practice: a systematic review. Journal of Medical Ethics, 46(10), 693-700.
Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., & Fotiadis, D. I. (2014). Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal, 13, 8–17. https://doi.org/10.1016/j.csbj.2014.11.005
Möhrle, J. J. (2024). How long does it take to develop a new drug? The Lancet Regional Health – Europe, 43, 100998.
Morley, J., Machado, C. C. V., Burr, C., Cowls, J., Joshi, I, Taddeo, M., & Floridi, L. (2020). The ethics of AI in health care: A mapping review. Social Science & Medicine, 260, 113172. https://doi.org/10.1016/j.socscimed.2020.113172
Morris, G. M., Huey, R., Lindstrom, W., Sanner, M. F., Belew, R. K., Goodsell, D. S., & Olson, A. J. (2009). AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. Journal of Computational Chemistry, 30(16), 2785–2791. https://doi.org/10.1002/jcc.21256
Niazi, S. K. (2025). Artificial intelligence in small-molecule drug discovery: A critical review of methods, applications, and real-world outcomes. Pharmaceuticals, 18(9), 1271. https://doi.org/10.3390/ph18091271
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K., & Tekade, R. K. (2021). Artificial intelligence in drug discovery and development. Drug Discovery Today, 26(1), 80–93. https://doi.org/10.1016/j.drudis.2020.10.010
Raies, A. B., & Bajic, V. B. (2016). In silico toxicology: Computational methods for the prediction of chemical toxicity. Wiley Interdisciplinary Reviews: Computational Molecular Science, 6(2), 147–172. https://doi.org/10.1002/wcms.1240
Roden, B. (2023, August 10). The staggering cost of drug development: A look at the numbers. Greenfield Chemical. https://greenfieldchemical.com/2023/08/10/the-staggering-cost-of-drug-development-a-look-at-the-numbers/
Schwendicke, F., Samek, W., & Krois, J. (2020). Artificial intelligence in dentistry: Chances and challenges. Journal of Dental Research, 99(7), 769–774. https://doi.org/10.1177/0022034520915714
Segler, M. H. S., Preuss, M., & Waller, M. P. (2018). Planning chemical syntheses with deep neural networks and symbolic AI. Nature, 555(7698), 604–610. https://doi.org/10.1038/nature25978
Shreya Talreja, & Tiwari, S. (2024). From one to millions: The revolution of combinatorial chemistry. Journal of Analytical Techniques and Research, 6, 37–42.
Sliwoski, G., Kothiwale, S., Meiler, J., & Lowe, E. W. (2013). Computational methods in drug discovery. Pharmacological Reviews, 66(1), 334–395. https://doi.org/10.1124/pr.112.007336
Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., … Collins, J. J. (2020). A deep learning approach to antibiotic discovery. Cell, 180(4), 688–702.e13. https://doi.org/10.1016/j.cell.2020.01.021
Tropsha, A. (2010). Best practices for QSAR model development, validation, and exploitation. Molecular Informatics, 29(6–7), 476–488. https://doi.org/10.1002/minf.201000061
Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463–477. https://doi.org/10.1038/s41573-019-0024-5
Xu, Z., Ren, F., Wang, P., Cao, J., Tan, C., Ma, D., Zhao, L., Dai, J., Ding, Y., Fang, H., Li, H., Liu, H., Luo, F., Meng, Y., Pan, P., Xiang, P., Xiao, Z., Rao, S., Satler, C., Liu, S., Lv, Y., Zhao, H., Chen, S., Cui, H., Korzinkin, M., Gennert, D., & Zhavoronkov, A. (2025). A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine, 31(8), 2602–2610. https://doi.org/10.1038/s41591-025-03743-2
Yang, X., Wang, Y., Byrne, R., Schneider, G., & Yang, S. (2019). Concepts of artificial intelligence for computer-assisted drug discovery. Chemical Reviews, 119(18), 10520–10594. https://doi.org/10.1021/acs.chemrev.8b00728
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 RD-ICUAP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Definir aviso de derechos.
Los datos de este artículo, así como los detalles técnicos para la realización del experimento, se pueden compartir a solicitud directa con el autor de correspondencia.
Los datos personales facilitados por los autores a RD-ICUAP se usarán exclusivamente para los fines declarados por la misma, no estando disponibles para ningún otro propósito ni proporcionados a terceros.
