Isomorphic Labs, el spin-off de DeepMind nacido del avance AlphaFold, está llevando su primer fármaco contra el cáncer diseñado por IA a ensayos clínicos humanos de Fase 1. El CEO Demis Hassabis confirmó el cronograma en el Foro Económico Mundial en Davos: la Fase 1 comienza a principios de 2026 con programas adicionales entrando en ensayos hasta fin de año. El pipeline incluye 17 programas activos cubriendo oncología, inmunología y enfermedades cardiovasculares. Si los ensayos avanzan, esta será la primera vez que moléculas diseñadas de extremo a extremo por IA entren en el proceso de prueba regulatoria que controla los productos farmacéuticos de uso humano. Toda otra afirmación de "descubrimiento de fármacos por IA" a la fecha ha sido farma convencional asistida por IA; el pitch de Isomorphic es que las moléculas son diseñadas por el modelo, no meramente cribadas por él.

El habilitador técnico es Isomorphic Drug Design Engine (IsoDDE), anunciado en febrero de 2026. En benchmarks de generalización de predicción de estructura proteína-ligando, IsoDDE aproximadamente duplica el desempeño de AlphaFold 3. Predice afinidades de unión de moléculas pequeñas a mayor precisión que métodos basados en física mientras corre a una fracción del costo de cómputo y tiempo de pared. Críticamente, identifica nuevas bolsas de unión en proteínas objetivo usando solo la secuencia de aminoácidos, lo que significa que el modelo puede proponer enfoques terapéuticos contra blancos donde no existen datos estructurales previos. Los workflows de química médica clásica dependían de estructuras cristalinas, bibliotecas de fragmentos y optimización iterativa de laboratorio húmedo que podía correr cinco a siete años antes de un compuesto líder. IsoDDE comprime las fases de estructura-y-diseño en un pipeline que corre en semanas. Si esa compresión temporal sobrevive al desarrollo de fármacos de grado regulatorio es lo que la Fase 1 comenzará a probar.

La estructura comercial importa tanto como la técnica. Isomorphic tiene alianzas estratégicas con Eli Lilly y Novartis totalizando aproximadamente $3 mil millones en pagos potenciales de hitos, un tamaño de acuerdo que valida la credibilidad del modelo con los dos mayores actores farma en oncología. La elección comercial de licenciar en lugar de internalizar completamente el desarrollo farma refleja un realismo que Isomorphic parece sostener y que DeepMind respalda públicamente: el modelo es la parte difícil, pero llevar un ensayo de cáncer a través de IND, Fase 1, Fase 2 y Fase 3 es una disciplina operacional diferente que los socios big farma ya poseen. Esa división del trabajo es la apuesta estructural. Si funciona, el diseño de fármacos por IA se convierte en un input de plataforma en el desarrollo farma convencional en lugar de una industria paralela.

Para builders fuera de farma, la historia de Isomorphic es un caso borde instructivo de lo que la IA adyacente a modelos de fundación puede hacer cuando el dominio objetivo tiene datos limpios y estructurados (secuencias y estructuras proteicas) y funciones objetivo no ambiguas (afinidad de unión, selectividad, propiedades farmacocinéticas). El diseño de fármacos no es lenguaje natural; es un problema específico de predicción estructurada que recompensa la escala de una forma que resulta muy favorable al linaje AlphaFold. Eso no es automáticamente generalizable. Un builder intentando aplicar técnicas similares a dominios menos estructurados — investigación operativa, razonamiento legal, trabajo creativo — no debería asumir que la trayectoria Isomorphic es el modelo. Lo que la historia Isomorphic prueba es que cuando la estructura del problema está bien, los modelos especializados superan a la intuición científica a escala humana a un costo de órdenes de magnitud menor. La curva de costo histórica de la industria farma de $2B y 10 años por fármaco ahora está siendo activamente probada. Si la Fase 1 lee limpiamente, las implicaciones aguas abajo para precios de medicamentos, investigación de enfermedades raras y equidad de salud global son significativas. Si falla, la industria obtiene un punto de datos útil sobre dónde el diseño IA aún necesita capas de validación. Ambos resultados son informativos. El ensayo aún no ha comenzado; la respuesta honesta editorial es que todos deberíamos ver cómo se ven los datos.