La apuesta de 237 millones en Pathos AI: Cómo el cribado de 200 petabytes busca reducir a la mitad el fracaso de los ensayos clínicos

De la química a ciegas al software predictivo: La inyección de 237 millones que consagra el modelo de Pathos AI

Desarrollar un medicamento nuevo suele parecerse a buscar una aguja en un pajar del tamaño de una catedral. Históricamente, un laboratorio sintetiza miles de moléculas químicas, las prueba en placas de cultivo y cruza los dedos para que alguna funcione en animales sin provocar daños secundarios graves. El proceso dura más de una década y cuesta, de media, entre 1.000 y 2.000 millones de dólares por cada terapia que llega a una farmacia. Nueve de cada diez compuestos prometedores fracasan cuando se prueban en personas reales porque los pacientes tienen mutaciones genéticas distintas que los modelos de laboratorio no logran anticipar.

La ronda de inversión Serie E de 237 millones de dólares cerrada por Pathos AI a una valoración de 3.000 millones de dólares marca un cambio de rumbo en esta dinámica. La operación no ha estado liderada por firmas de capital riesgo especulativas, sino por Bristol Myers Squibb, uno de los fabricantes farmacéuticos más veteranos del mundo, con la participación continuada de AstraZeneca, NEA y General Atlantic. Lo que estos gigantes compran no es un laboratorio tradicional con batas blancas y tubos de ensayo, sino una plataforma de software llamada Foundry.

Foundry funciona como un centro de control logístico para la biología humana. En lugar de comenzar mezclando compuestos químicos en ciegas rondas de laboratorio, el sistema procesa unos 200 petabytes de historiales oncológicos, perfiles genéticos y datos moleculares reales. Sobre esa base masiva de información, una red de agentes de inteligencia artificial filtra las moléculas con mayor probabilidad matemática de neutralizar un tumor específico y, al mismo tiempo, identifica con nombre y apellido molecular qué subgrupo de pacientes responderá positivamente.

El director ejecutivo de la compañía, Iker Huerga, ha planteado el objetivo sin rodeos técnicos: construir una infraestructura informática para elevar de forma sistemática la probabilidad de éxito en el desarrollo farmacéutico. En un sector donde un solo fallo en Fase III destruye cientos de millones de dólares en la cuenta de resultados de un laboratorio, trasladar el descarte de moléculas al ordenador antes de pisar el hospital transforma por completo la estructura de costes de la industria.

---

Radiografía de una valoración de 3.000 millones: Métricas clínicas, volumen de datos y acuerdos cruzados

Para entender por qué el mercado valora a una empresa emergente en 3.000 millones de dólares en una etapa intermedia de desarrollo clínico, conviene examinar las cifras que sostienen el acuerdo. A diferencia de las plataformas de inteligencia artificial generativa orientadas al consumidor que consumen capital sin un flujo de ingresos claro, Pathos AI opera mediante contratos de coinversión, derechos sobre patentes futuras y acuerdos cruzados de infraestructura de datos.

La operación incluye una alianza triangular en la que interviene Tempus AI, proveedor cotizado de datos médicos de precisión. Como parte de la estructura operativa, Pathos AI desembolsará 55 millones de dólares a lo largo de cinco años para acceder bajo licencia a historiales anonimizados de pacientes con patologías neurológicas recopilados por Tempus. A cambio, Pathos integrará estos datos dentro de Foundry y pondrá a disposición de Bristol Myers Squibb tanto el motor analítico como los registros procesados. Esto permitirá a la multinacional farmacéutica planificar sus propios ensayos clínicos con una precisión estadística inédita.

Parámetro evaluado	Modelo tradicional de I+D	Enfoque de plataforma Pathos AI	Impacto operativo estimado
Volumen de datos base	Ensayos internos aislados (< 5 TB)	200 petabytes oncológicos + neurológicos	Cobertura de variantes raras 40 veces mayor
Cribado de candidatos	Síntesis y ensayo físico manual	Agentes de software que filtran bibliotecas químicas	Reducción de 24 a 4 meses en selección inicial
Criterio de reclutamiento	Criterios clínicos amplios y heterogéneos	Ensayos dirigidos por biomarcadores específicos	Aumento previsto del 30–45% en respuesta clínica
Coste medio por compuesto activo	1.400–2.200 millones USD (con fracasos)	Coste distribuido sobre arquitectura de software	Ahorro simulado de 350M USD por ciclo de ensayo
Tiempo hasta fase clínica	4–6 años desde identificación	18–24 meses mediante gemelos computacionales	Aceleración de 2 a 3 años hacia la fase de pruebas

La economía de este modelo no descansa en vender suscripciones de software mensuales, sino en acortar el tiempo que tarda un compuesto en demostrar su eficacia en ensayos con humanos. Cuando una empresa farmacéutica reduce seis meses la duración de un estudio clínico, ahorra decenas de millones en personal médico, monitorización hospitalaria y suministros especializados, al tiempo que gana medio año adicional de explotación exclusiva de la patente en el mercado.

El acuerdo con Bristol Myers Squibb no es una aportación financiera pasiva. La multinacional busca blindar el suministro de nuevos fármacos para su catálogo frente a la expiración de patentes de medicamentos superventas prevista para finales de la década. Contar con un motor algorítmico capaz de identificar qué pacientes tolerarán mejor una formulación reduce de forma drástica el riesgo de suspensión de ensayos por efectos adversos imprevistos.

---

El impacto real en la industria farmacéutica: Costes de ensayo, tiempos de cribado y tasas de fracaso

El problema financiero más grave que sufren las compañías biotecnológicas actuales se conoce en el sector como la “tasa de atrición”: la sangría constante de proyectos que mueren en los ensayos clínicos. Un laboratorio puede gastar 80 millones de dólares en la Fase I y la Fase II de un fármaco contra el cáncer de pulmón, solo para descubrir en la Fase III, con miles de pacientes, que el medicamento apenas funciona un 2% mejor que el estándar actual. La inversión se evapora de inmediato.

La plataforma Foundry ataca esta debilidad mediante tres palancas operativas directas que alteran el funcionamiento diario de los equipos de investigación:

1. Desplome de los costes operativos directos (OPEX) en fases tempranas

En un laboratorio tradicional, evaluar 500 variantes de una molécula exige contratar técnicos especializados, comprar reactivos químicos de alto coste y mantener laboratorios de contención biológica activos durante trimestres enteros. En la arquitectura de Pathos AI, los agentes de software simulan el comportamiento de esas moléculas contra modelos tridimensionales de proteínas tumorales antes de sintetizar una sola muestra física.

Esto permite descartar el 95% de los candidatos inviables por vía informática, concentrando los reactivos y las horas de trabajo humano solo en los 15 o 20 compuestos con mayor afinidad real. Para gestionar infraestructuras de datos tan masivas sin caídas de servicio ni cuellos de botella durante el entrenamiento de modelos, los equipos de bioinformática recurren de forma estándar a plataformas de observabilidad como Datadog, que permiten supervisar la ingesta constante de registros médicos y los clústeres de computación en tiempo real.

2. Contracción drástica de los plazos de reclutamiento (Lead Time)

Uno de los mayores dolores de cabeza en el desarrollo de medicamentos contra el cáncer no es sintetizar el polvo medicinal, sino encontrar a las personas adecuadas para probarlo. Si un ensayo clínico requiere pacientes con una mutación concreta que solo aparece en el 3% de los enfermos, los hospitales tardan hasta dos años en llenar los cupos de prueba. Cada mes con las salas de ensayo vacías devora decenas de miles de dólares en costes de mantenimiento de centros médicos.

Al alimentar Foundry con 200 petabytes de perfiles biológicos y asociarse con proveedores de historiales clínicos como Tempus, Pathos identifica por adelantado los perfiles moleculares específicos y los centros sanitarios donde se concentran esos pacientes. La compañía diseña los ensayos sabiendo de antemano qué marcadores biológicos —desde proteínas en sangre hasta niveles de presión arterial específicos— servirán de brújula para medir si el compuesto funciona en cuestión de semanas y no de años.

3. Blindaje de la cadena de suministro molecular

Cuando un programa farmacológico entra en fase preclínica, las empresas se enfrentan a enormes tensiones en la cadena de suministro de ingredientes farmacéuticos activos (API, por sus siglas en inglés). Si el diseño químico de una molécula es demasiado enrevesado, fabricarla a escala para miles de pacientes resulta prohibitivo o logísticamente imposible.

Foundry no solo evalúa si una molécula destruye el tumor en el simulador, sino también su viabilidad de síntesis química. El software ayuda a los químicos a priorizar estructuras moleculares que puedan fabricarse mediante métodos escalables y estandarizados, evitando callejones sin salida en los que una molécula muy potente no puede producirse en volúmenes suficientes para abastecer un ensayo de Fase III.

---

Conjugados anticuerpo-fármaco y degradadores PROTAC: La barrera tecnológica frente al desarrollo tradicional

El capital captado en la Serie E no se quedará en las cuentas bancarias de la empresa: tiene un destino industrial inmediato. Pathos AI ha definido como su máxima prioridad el avance de su programa JSKN016, centrado en el desarrollo de un conjugado anticuerpo-fármaco (ADC) para oncología, junto a otros tres programas en fase activa.

Para entender el salto cualitativo que representan estas terapias, conviene recurrir a una analogía mecánica sencilla. La quimioterapia convencional funciona como un bombardeo indiscriminado sobre una ciudad: destruye las células tumorales, pero arrasa también con las células sanas circundantes, provocando una toxicidad masiva en el paciente. Un conjugado anticuerpo-fármaco, en cambio, funciona como un misil teledirigido con una ojiva química de alta precisión.

El anticuerpo es una proteína modificada que reconoce una señal molecular exclusiva de las células cancerosas. Al localizarla, se adhiere a ella como una llave a su cerradura. En ese momento, la célula tumoral absorbe el anticuerpo creyendo que se trata de un nutriente, introduciendo en su interior el antígeno terapéutico que lleva acoplado. Una vez dentro, la carga química se libera y neutraliza la célula maligna desde su núcleo, sin dañar los tejidos sanos que la rodean.

Paralelamente, Pathos AI avanza en una colaboración estratégica con AstraZeneca para desarrollar un fármaco de tipo ER PROTAC. Esta tecnología representa una frontera aún más avanzada de la biología molecular. En lugar de limitarse a bloquear una proteína dañina, los degradadores PROTAC aprovechan el sistema de reciclaje de residuos natural que ya tienen las células humanas.

El fármaco actúa como una etiqueta que marca la proteína cancerosa como “basura inservible”, provocando que la propia maquinaria celular del cuerpo la triture y la elimine por completo. Diseñar estos degradadores mediante química tradicional es una labor titánica porque exige que el fármaco una dos proteínas distintas al mismo tiempo. Lograr esa geometría exacta a mano requiere años de ensayos fallidos; Foundry calcula las posiciones espaciales óptimas en cuestión de horas.

---

El tablero biofarmacéutico a dos años: Escenarios para los gigantes tradicionales y condiciones para liderar

La irrupción de valoraciones multimillonarias en compañías como Pathos AI refleja que el negocio farmacéutico tradicional está entrando en una fase de compresión de márgenes. Los costes de los ensayos clínicos aumentan a un ritmo del 8% anual debido a la complejidad de las enfermedades raras y las exigencias regulatorias, mientras que las aseguradoras de salud y los sistemas públicos de sanidad en Europa y Estados Unidos imponen techos de precios cada vez más estrictos para los tratamientos aprobados.

A continuación se analizan los dos escenarios de mercado que definirán la rentabilidad del sector en los próximos 24 meses y las directrices operativas que deben cumplir las empresas que aspiran a mantener el liderazgo en este nuevo entorno.

El estrangulamiento de márgenes para las farmacéuticas rezagadas

Los laboratorios que sigan basando su estrategia de desarrollo exclusivamente en bibliotecas moleculares tradicionales y ensayos clínicos de espectro amplio se enfrentarán a una crisis de rentabilidad evidente:

• Erosión por vencimiento de patentes sin recambio ágil: Durante los próximos tres años, medicamentos que generan miles de millones en ingresos anuales perderán la protección de sus patentes. Los laboratorios que tardan seis años en llevar una molécula a Fase I no tendrán productos sustitutivos a tiempo para tapar el agujero en sus cuentas de resultados.
• Sobrecostes insostenibles en ensayos de Fase III: Un ensayo clínico fallido de 300 millones de dólares ya no puede compensarse fácilmente subiendo el precio de los fármacos existentes. Las compañías que no filtren a los pacientes mediante biomarcadores precisos seguirán asumiendo tasas de rechazo superiores al 85% en las agencias reguladoras como la FDA o la EMA.
• Pérdida de acceso a talento interdisciplinar: Los mejores científicos moleculares ya no eligen trabajar en laboratorios químicos aislados, sino en entornos que combinan biología con infraestructura computacional avanzada, desplazando el polo de innovación hacia empresas de biotecnología algorítmica.

Las tres condiciones obligatorias para rentabilizar la IA en el descubrimiento de fármacos

Para cualquier director de I+D o responsable financiero que busque asociarse con plataformas de software biológico o desplegar soluciones similares internamente, el éxito no depende de la sofisticación teórica del algoritmo, sino de tres factores operativos ineludibles:

1. Acceso directo a datos clínicos anonimizados de alta fidelidad: Disponer de algoritmos complejos no sirve de nada si se entrenan con datos de laboratorio sintéticos o incompletos. El movimiento de Pathos AI pagando 55 millones a Tempus demuestra que la ventaja competitiva real reside en la propiedad o licencia de datos de pacientes del mundo real, con historiales de tratamiento continuados durante años.
2. Diseño de ensayos anclado en biomarcadores cuantificables: El software debe generar criterios de inclusión y exclusión clínicos tan precisos que un médico en un hospital pueda determinar si un paciente es apto mediante un simple análisis de sangre o una biopsia genética rutinaria, reduciendo la dispersión estadística de los resultados.
3. Validación wet-lab continua: La inteligencia artificial no elimina la necesidad del laboratorio húmedo; lo optimiza. Las compañías ganadoras serán aquellas cuyos sistemas informáticos reciban retroalimentación inmediata de los experimentos físicos, ajustando los modelos predictivos cada vez que una molécula se comporta de forma distinta a la prevista en las células reales.