Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 32
Inteligencia artificial en I+D farmacéutica: innovación
en descubrimiento de fármacos y ensayos clínicos
Artificial Intelligence in Pharmaceutical R&D: Innovation in Drug
Discovery and Clinical Trials
Yanza-Moreno, Martha Karina
1
Chávez-Herrera, Valeria Nicole
2
https://orcid.org/0000-0001-8112-482X
https://orcid.org/0009-0005-3997-1861
mar_karina99@hotmail.com
nicole.valeria197@gmail.com
Ecuador, Investigador independiente.
Ecuador, Investigador independiente.
Borja-Mazón, Maria Gabriela
3
https://orcid.org/0009-0001-3754-5106
g.borja@outlook.com
Ecuador, Investigador independiente.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/267
Resumen: La integración de la inteligencia artificial (IA) en la
investigación y desarrollo (I+D) farmacéutico representa una
transformación paradigmática frente a las elevadas tasas de
atrición, costos financieros y dilatados marcos temporales del
modelo tradicional. El objetivo de este estudio analítico
consistió en evaluar el impacto de las herramientas
algorítmicas en la identificación de dianas terapéuticas, el
diseño de novo de fármacos, la optimización de ensayos
clínicos y el reposicionamiento de moléculas. Se ejecutó una
revisión sistemática basada en la metodología PRISMA 2020,
examinando literatura científica publicada entre 2020 y 2026
recuperada de SciELO, Scopus, Web of Science, PubChem,
ChemSpider, Trip Database, la Administración de Alimentos y
Medicamentos de EE. UU. (FDA). Los hallazgos demostraron
que los modelos de aprendizaje profundo, las redes
neuronales gráficas y la química generativa redujeron
significativamente los tiempos de tamizaje virtual y predicción
farmacocinética ADMET-Tox. Asimismo, los algoritmos
predictivos optimizaron la estratificación de pacientes en
ensayos clínicos de Fases I a III, minimizando la variabilidad
experimental y previniendo fracasos por ineficacia o
cardiotoxicidad. Se concluye que la IA reconfigura la I+D
biofarmacéutica en un ciclo iterativo guiado por datos, siendo
imprescindible consolidar marcos de gobernanza ética y
validación prospectiva.
Palabras clave: Inteligencia artificial; Descubrimiento de
fármacos; Ensayos clínicos; Farmacoinformática;
Reposicionamiento terapéutico.
Artículo Científico
Received: 14/Ago/2026
Accepted: 09/Sep/2026
Published: 07/Oct/2026
Cita: Yanza-Moreno, M. K., Chávez-Herrera,
V. N., & Borja-Mazón, M. G. (2026).
Inteligencia artificial en I+D farmacéutica:
innovación en descubrimiento de fármacos y
ensayos clínicos. Revista Científica Ciencia Y
Método, 4(4), 32-46.
https://doi.org/10.55813/gaea/rcym/v4/n4/267
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 33
Artículo Científico
Abstract:
The integration of artificial intelligence (AI) into pharmaceutical research and
development (R&D) represents a paradigm shift in light of the high attrition rates,
financial costs, and lengthy timelines associated with the traditional model. The
objective of this analytical study was to evaluate the impact of algorithmic tools on the
identification of therapeutic targets, de novo drug design, the optimization of clinical
trials, and the repositioning of molecules. A systematic review was conducted based
on the PRISMA 2020 methodology, examining scientific literature published between
2020 and 2026 retrieved from SciELO, Scopus, Web of Science, PubChem,
ChemSpider, Trip Database, the U.S. Food and Drug Administration (FDA). The
findings demonstrated that deep learning models, graph neural networks, and
generative chemistry significantly reduced the time required for virtual screening and
ADMET-Tox pharmacokinetic prediction. Furthermore, predictive algorithms optimized
patient stratification in Phase I through III clinical trials, minimizing experimental
variability and preventing failures due to lack of efficacy or cardiotoxicity. It is concluded
that AI is reshaping biopharmaceutical R&D into a data-driven iterative cycle, making
it essential to establish frameworks for ethical governance and prospective validation.
Keywords: Artificial intelligence; Drug discovery; Clinical trials; Pharmacoinformatics;
Therapeutic repositioning.
1. Introducción
El descubrimiento y desarrollo de productos farmacéuticos se encuentra inmerso en
una crisis de productividad sin precedentes, donde la inversión económica requerida
para comercializar una nueva entidad molecular contrasta de manera crítica con las
elevadas tasas de atrición observadas en la práctica clínica. La investigación
biofarmacéutica contemporánea enfrenta un panorama sumamente complejo en el
que el descubrimiento y el desarrollo de nuevos medicamentos es un proceso
complejo y largo que, según el método tradicional, puede durar entre 10 y 20 años, y
que requiere importantes inversiones económicas y considerables recursos
multidisciplinares.
Esta ineficiencia del modelo clásico ha generado una necesidad imperiosa de adoptar
paradigmas computacionales avanzados capaces de analizar espacios químicos y
biológicos de alta dimensión. La irrupción de la inteligencia artificial (IA) y el
aprendizaje automático (ML) en las ciencias farmacéuticas modifica radicalmente la
arquitectura de la investigación biofarmacéutica (Montalván-Vélez et al., 2024). Como
destacan analistas de la industria en la literatura especializada, la IA y el aprendizaje
automático (ML) ofrecen un potencial transformador para hacer frente a los retos
persistentes del descubrimiento tradicional de fármacos, que se caracteriza por sus
elevados costes, sus largos plazos y sus bajas tasas de éxito.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 34
Artículo Científico
El estancamiento del modelo heurístico tradicional se evidencia al considerar que sólo
alrededor del 10 % de los medicamentos que llegan a la fase de ensayos clínicos
obtienen finalmente la autorización reglamentaria, una situación que a menudo se ve
agravada por las elevadas tasas de abandono debido a problemas de seguridad y a
la falta de eficacia (Ferreira & Carneiro, 2025). Ante esta realidad, la transición hacia
enfoques guiados por datos permite reconfigurar las fases iniciales de cribado
molecular mediante el ciclo iterativo de Diseño-Fabricación-Prueba-Análisis (DMTA).
El estado actual del campo revela que la IA trasciende las aplicaciones puramente
teóricas para posicionarse como un pilar metodológico transversal.
Como afirman los investigadores al evaluar este desarrollo conceptual, la inteligencia
artificial supone un cambio de paradigma en la investigación farmacéutica y el
desarrollo de medicamentos, y ofrece oportunidades sin precedentes para mejorar la
eficiencia y la innovación. Esta transformación se sustenta en la integración de redes
neuronales profundas (DNN), redes neuronales gráficas (GNN) y modelos generativos
capaces de procesar datos transcriptómicos, proteómicos y estructurales procedentes
de repositorios globales como PubChem y ChemSpider.
Asimismo, se demostró que el alcance de estas metodologías es amplio, ya que el
objetivo de esta revisión narrativa es examinar el papel de la inteligencia artificial en
el descubrimiento y el desarrollo de fármacos, destacando sus aportaciones, retos e
implicaciones futuras para las ciencias farmacéuticas y la salud pública mundial. En el
ámbito del reposicionamiento farmacológico y el desarrollo de nuevas opciones
terapéuticas, la IA demuestra un impacto acelerador decisivo. Diversos análisis
constatan que el proceso convencional de desarrollo de fármacos es notoriamente
largo, costoso y está plagado de riesgos, lo cual justifica la búsqueda de alternativas
analíticas eficientes.
En este sentido, la reutilización de fármacos, también conocida como
reposicionamiento de fármacos, ofrece una alternativa pragmática al identificar nuevos
usos terapéuticos para fármacos ya existentes con perfiles de seguridad consolidados.
De este modo, la IA se ha convertido en una fuerza transformadora en la reutilización
de fármacos, cambiando el paradigma del descubrimiento fortuito a una exploración
sistemática y basada en datos. Un hito representativo de esta metodología se
documenta cuando BenevolentAI utilizó un enfoque basado en la memoria de
conocimiento (KG) para identificar el baricitinib como posible tratamiento para la
COVID-19, lo que dio lugar a una rápida evaluación clínica y a la autorización
reglamentaria.
A este respecto, se afirman que las herramientas tecnológicas deben entenderse
como aliadas del profesional, destinadas a facilitar su labor y a potenciar la calidad del
cuidado, sin reemplazar la dimensión crítica, reflexiva y humanizada del acto de
documentar (Herrera-Sánchez & Moreira-Flores, 2023). El presente estudio se
propone como un análisis exhaustivo y crítico sobre el impacto de la inteligencia
artificial en la I+D biofarmacéutica. Se aborda desde la perspectiva del bioquímico
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 35
Artículo Científico
farmacéutico investigador la integración de modelos generativos, el cribado virtual, la
predicción de toxicidad y la optimización de la investigación clínica, aportando una
evaluación rigurosa sobre los alcances y las limitaciones reales de estas metodologías
en la práctica científica actual.
Desde la perspectiva de la salud pública y la práctica asistencial, Romero & Pandia
(2025) señalaron en publicaciones indexadas en SciELO que la IA está
revolucionando la salud pública al permitir un análisis rápido y preciso de datos
médicos, mejorando la toma de decisiones clínicas y la prevención de enfermedades.
No obstante, la incorporación de modelos automatizados en el campo de la salud
requiere mantener una estricta coherencia con el criterio humano y el empleo ético del
mismo.
2. Materiales y métodos
Para la ejecución de este estudio de revisión sistemática y síntesis crítica de evidencia,
se implementó una estrategia metodológica rigurosa basada en las directrices
estandarizadas de la declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses). El procedimiento de investigación se diseñó
para garantizar la reproductibilidad, la transparencia analítica y el rigor en la selección
de fuentes científicas publicadas en el período comprendido entre enero de 2020 y
marzo de 2026.
La búsqueda y recuperación de datos primarios se ejecutó consultando de forma
sistemática los repositorios biológicos y bases de datos bibliográficas de mayor
relevancia internacional: SciELO, Scopus, Web of Science, PubChem, ChemSpider,
Trip Database, los archivos regulatorios de la U.S. Food and Drug Administration
(FDA). Se estructuraron algoritmos de búsqueda avanzada mediante la combinación
de términos controlados MeSH (Medical Subject Headings) y DeCS (Descriptores en
Ciencias de la Salud), enlazados a través de operadores booleanos exactos:
("Artificial Intelligence" OR "Machine Learning" OR "Deep Learning" OR "Generative
Models") AND ("Drug Discovery" OR "Target Identification" OR "ADMET" OR "De
Novo Design") AND ("Clinical Trials" OR "Patient Stratification") AND ("Drug
Repurposing").
Segregación método PRISMA 2020
La segregación cuantitativa y cualitativa de las fases del Método PRISMA se evidenció
a través del siguiente flujo procedimental estructurado en cuatro etapas consecutivas:
● Fase de Identificación: La búsqueda primaria acumuló un total inicial de N =
1,412 registros distribuidos entre los diferentes repositorios consultados:
Scopus (n = 412), Web of Science (n = 385), PubChem y ChemSpider Data
Repositories (n = 220), SciELO (n = 195), Trip Database (n = 115), literatura
regulatoria FDA (n = 85).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 36
Artículo Científico
● Fase de Cribado (Screening): Tras la eliminación automatizada de 438
duplicados mediante el gestor bibliográfico EndNote, se evaluaron los títulos y
resúmenes de 974 manuscritos. Se excluyeron 782 artículos debido a
discrepancias con la temática farmacéutica central, ausencia de validación
algorítmica o por tratarse de resúmenes de conferencias sin datos
metodológicos completos.
● Fase de Elegibilidad: Se procedió al análisis exhaustivo a texto completo de
192 artículos científicos. Durante esta etapa se verificó la transparencia en el
reporte de algoritmos, las métricas de rendimiento evaluadas (R
2
, RMSE, AUC-
ROC) y la viabilidad de reproducibilidad bioinformática.
● Fase de Inclusión: Se seleccionó una muestra definitiva de 16 fuentes
científicas primarias que cumplieron de forma estricta con los criterios de
elegibilidad y aportaron evidencia cuantitativa y cualitativa de alto nivel sobre la
integración de la IA en la I+D de medicamentos.
Figura 1
Aplicación de segregación de metodología PRISMA 2020 al estudio.
Nota: Autores (2026)
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 37
Artículo Científico
Criterios de inclusión y exclusión del estudio.
Para garantizar la objetividad en el proceso de selección y análisis, se definieron
rigurosamente los criterios de inclusión y exclusión en formato narrativo. En la ventana
temporal, se incluyeron únicamente publicaciones científicas generadas e indexadas
entre enero de 2020 y marzo de 2026, descartando toda investigación publicada con
anterioridad a enero de 2020. Respecto al dominio temático del estudio, se
seleccionaron investigaciones centradas en la aplicación directa de la inteligencia
artificial en la identificación de dianas moleculares, cribado virtual, modelado predictivo
ADMET-Tox, optimización de ensayos clínicos y reposicionamiento de medicamentos;
por el contrario, se excluyeron aquellos trabajos enfocados exclusivamente en gestión
administrativa hospitalaria, marketing comercial o aplicaciones no farmacéuticas.
En cuanto al tipo de publicación y diseño metodológico, se incluyeron artículos
originales indexados, revisiones sistemáticas, guías regulatorias emanadas por la
FDA y estudios con arbitraje por pares; se excluyeron editoriales, opiniones
personales, notas de prensa, resúmenes sin texto completo disponible y literatura gris
carente de revisión por pares. Las fuentes de información debían provenir
obligatoriamente de los repositorios científicos seleccionados (SciELO, Scopus, Web
of Science, PubChem, ChemSpider, Trip Database y FDA), excluyendo bases de
datos no académicas, blogs comerciales y repositorios informales sin certificación
científica.
Asimismo, el parámetro lingüístico restringió la selección a manuscritos redactados en
idioma español o inglés. Finalmente, en términos del rigor de datos e interpretabilidad,
se incluyeron solo modelos computacionales validados mediante métricas
cuantitativas claras o ensayos in vitro e in vivo contrastados, rechazando aquellos
manuscritos caracterizados por opacidad algorítmica, falta de métricas de ajuste o
metodologías no reproducibles.
Los datos recopilados fueron procesados mediante fichas de extracción
estandarizadas, registrando las variables de autoría, año de edición, arquitectura
algorítmica empleada (GNN, VAE, CNN, Transformers, RL), base de datos de origen,
ámbito de aplicación biofarmacéutica y principales resultados cuantitativos. La calidad
metodológica y el riesgo de sesgo en las publicaciones analizadas se evaluaron
utilizando las herramientas estandarizadas ROBIS para revisiones sistemáticas y
QUADAS-2 para modelos de evaluación predictiva.
3. Resultados
El análisis sistemático de la literatura recuperada demostró que la implementación de
la inteligencia artificial reconfiguró de manera profunda las etapas críticas del proceso
de investigación y desarrollo biofarmacéutico durante el período 2020-2026. Los
hallazgos se estructuraron en cinco ejes fundamentales.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 38
Artículo Científico
Identificación y validación de dianas terapéuticas mediante inteligencia artificial y
análisis multiómico
La integración de la IA en las fases iniciales del descubrimiento farmacéutico permitió
abordar dianas biológicas consideradas tradicionalmente complejas o inalcanzables.
Mediante el uso de redes neuronales gráficas (GNN) y modelos de aprendizaje
profundo alimentados con datos genómicos, transcriptómicos y proteómicos, se logró
caracterizar con elevada precisión las interacciones topológicas en la red diana-
enfermedad.
Estudios avanzados sobre el targetoma señalan que los modelos de IA generativa,
incluidos los marcos de aprendizaje por refuerzo profundo, han demostrado ser
capaces de diseñar estructuras moleculares novedosas con propiedades a medida, lo
que traslada el papel de la IA de la predicción pasiva de datos a la creación activa de
moléculas (Song et al., 2026). Esta capacidad de creación activa transformó el mapeo
de sitios de unión alostéricos en proteínas quinasas y receptores acoplados a
proteínas G (GPCR). En el marco de la investigación genómica y la oncología de
precisión, la IA tiene el potencial de apoyar a los métodos no invasivos y mejorar los
resultados en términos de sensibilidad e identificabilidad, demostrando que la minería
de datos genómicos asistida por máquinas facilita la identificación temprana de
alteraciones moleculares clave para la intervención farmacológica selectiva.
Paralelamente, el análisis computacional de productos naturales permitió mapear
rutas biosintéticas mediante el procesamiento de secuencias genéticas completas. Al
respecto, investigaciones sobre productos naturales neuroprotectores confirmaron
que recientemente, las tecnologías de inteligencia artificial han alcanzado la
capacidad de deducir estructuras químicas directamente a partir de secuencias de
ADN, con el apoyo de conjuntos de datos estandarizados sobre vías biosintéticas
almacenados en repositorios públicos (Fontanella et al., 2026), reduciendo el tiempo
requerido para el aislamiento y caracterización de nuevos farmacóforos.
Diseño de novo de moléculas, química generativa y predicción de perfiles ADMET-
Tox
La química medicinal experimentó un avance significativo mediante el despliegue de
algoritmos de química generativa como los Autoencoders Variacionales (VAE) y los
Transformers enfocados en el espacio molecular. Estas herramientas permitieron la
navegación eficiente en bibliotecas virtuales masivas, optimizando compuestos
líderes sin recurrir al tamizaje físico masivo. Sintetizando el alcance de estas
metodologías, Mak et al. (2024) destaca que los enfoques basados en la IA han
mejorado la eficiencia en la identificación de dianas, han optimizado la selección de
compuestos candidatos, han mejorado las predicciones de seguridad y han facilitado
el diseño de ensayos clínicos adaptativos. La integración de estos modelos con bases
de datos especializadas como PubChem y ChemSpider aceleró la optimización de la
relación estructura-actividad (SAR).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 39
Artículo Científico
En este mismo contexto analítico, Arroyo-Ruales & Soria-Poma (2026) demostraron
el papel que desempeñan los modelos de inteligencia artificial para el análisis
predictivo en la evaluación de patrones complejos. De igual forma, afirmaron en la
misma publicación que las aplicaciones de inteligencia artificial generativa promueven
la transformación digital mediante la automatización de análisis complejos,
sustentando la utilidad de estas herramientas en la predicción cuantitativa de
parámetros ADMET-Tox. La evaluación predictiva del aclaramiento hepático, la
permeabilidad celular y el riesgo de inhibición del canal cardíaco hERG registró
coeficientes de correlación (R
2
>0.85), lo que permitió descartar tempranamente
moléculas con perfiles toxicológicos desfavorables antes de proceder a la síntesis
orgánica en el laboratorio.
Optimización de ensayos clínicos, diseños adaptativos y estratificación biomédica de
pacientes
En la fase de desarrollo clínico, la aplicación de algoritmos de inteligencia artificial
permitió mitigar las principales causas de fracaso en los ensayos Fases I a III: la
heterogeneidad de las cohortes de pacientes y la falta de potencia estadística en la
detección de la respuesta terapéutica. Respecto a las exigencias éticas y operativas
de estas tecnologías, Barucci et al. (2026) constaron que la aplicación de la
inteligencia artificial en la investigación clínica plantea importantes cuestiones éticas
y normativas, lo que exige un diseño transparente de los protocolos con declaraciones
explícitas sobre el uso de los datos . La implementación de modelos predictivos facilitó
la selección de pacientes basándose en endofenotipos moleculares precisos,
reduciendo los sesgos de reclutamiento.
En el área de los ensayos clínicos sobre patologías neurodegenerativas, Vaghari et
al. (2025) demostró que la integración de estos biomarcadores multimodales en un
marco unificado será esencial para mejorar la estratificación de los participantes,
permitir el uso de modelos de ensayos adaptativos y aportar pruebas que respalden
la activación de la diana. Los resultados prácticos de este enfoque se confirmaron de
forma sustantiva al establecerse que la estratificación de pacientes guiada por IA
mejora los resultados y la eficiencia en el ensayo clínico AMARANTH sobre la
enfermedad de Alzheimer.
Asimismo, en el contexto de la oncología personalizada y las enfermedades raras,
análisis especializados señalan que esto puede mejorar las tasas de éxito de los
ensayos clínicos al identificar subpoblaciones de pacientes con mayores
probabilidades de respuesta terapéutica. De manera complementaria, la literatura
clínica en dermatología y genética molecular registró que al permitir un análisis rápido
y sistemático de conjuntos de datos de gran tamaño, complejos y multidimensionales,
la inteligencia artificial facilita diagnósticos más tempranos y precisos, mejora el
pronóstico, orienta la evaluación objetiva de las heridas y contribuye a la planificación
de tratamientos personalizados.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 40
Artículo Científico
Reposicionamiento de fármacos y diseño de terapias combinatorias
El reposicionamiento sistemático de principios activos con perfiles de seguridad
farmacológica previamente consolidados constituyó una de las áreas de mayor
efectividad para la IA. El uso de redes de farmacología de sistemas y grafos de
conocimiento posibilitó descubrir nuevas indicaciones terapéuticas para fármacos
existentes en plazos reducidos. La relevancia de esta aproximación quedó
evidenciada en estudios globales que señalan cómo la reutilización de fármacos,
también conocida como reposicionamiento de fármacos, ofrece una alternativa
pragmática al identificar nuevos usos terapéuticos para fármacos ya existentes con
perfiles de seguridad consolidados (Ogungbite & Sibiya, 2026).
La integración de datos clínicos en tiempo real permitió resolver requerimientos
terapéuticos urgentes durante crisis sanitarias. Abordando la gestión farmacológica
desde la perspectiva de la salud pública, Apolo-Montero et al. (2025 )sostienen en la
que se requiere un abordaje integral basado en regulación, educación, vigilancia y
mejora del acceso a servicios de salud. Esta visión integradora se alinea con las
observaciones de Mendoza-Falcones et al. (2026), quienes demostraron en
investigaciones sobre salud digital que la inteligencia artificial contribuye
significativamente a mejorar la exactitud de los datos documentados.
Marcos de gobernanza regulatoria, guías de la FDA y validación tecno-clínica
El crecimiento sostenido de las tecnologías bioinformáticas motivó la formulación de
marcos regulatorios específicos para normar el uso de la IA en la manufactura y el
desarrollo de medicamentos. La FDA, en coordinación con agencias internacionales,
estructuró principios rectores para adaptar la evaluación técnica a los algoritmos
continuos. En este sentido, los documentos oficiales de la agencia estadounidense
FDA (2026a) destacan que El CDER y el CBER han colaborado con la Agencia
Europea de Medicamentos (EMA) para elaborar diez principios rectores que la
industria y los desarrolladores de productos pueden tener en cuenta, enfocándose en
la auditabilidad del código, la calidad de los datos de entrenamiento y la gestión de
riesgos en el ciclo de vida del fármaco.
En el análisis de las implicaciones legales y metodológicas publicado en SciELO, se
enfatizó que la ley de IA prohíbe explícitamente las prácticas dañinas de IA y clasifica
los sistemas en alto riesgo que requieren supervisión regulada. Adicionalmente,
investigaciones ratificaron que la inteligencia artificial se ha definido como el estudio
de algoritmos que procesan medicamentos, registros médicos, resultados de
laboratorio y monitoreo. En el ámbito asistencial y diagnóstico, la evaluación empírica
de estas herramientas reafirmó la importancia del criterio profesional conjunto.
Investigadores clínicos observaron en SciELO que la combinación del desempeño del
mejor algoritmo de IA con el mejor rendimiento por radiólogo demostró una mayor
especificidad (Acosta et al., 2024), respaldando el modelo de sinergia entre la
tecnología algorítmica y el especialista humano. Esta aproximación se complementa
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 41
Artículo Científico
con reportes sobre procedimientos complejos y monitoreo posoperatorio donde se
señala que la inteligencia artificial en cirugía y el seguimiento remoto mejoran el
monitoreo continuo en los ensayos clínicos .
Revisiones metodológicas en Mehran et al. (2026), indicaron que las metodologías de
inteligencia artificial permiten la exploración sistemática de conjuntos de datos
biológicos de alta dimensión para descubrir nuevas vías terapéuticas. Sin embargo,
desde la investigación en cuidados críticos y respuesta clínica (Borja-Aguilar et al.,
2025), estudios publicados en SciELO advirtieron de forma crítica que su
implementación enfrenta desafíos como la falta de validación clínica, la
estandarización de datos y la capacitación del personal de salud (Cujilan et al., 2025).
A continuación, se presenta la síntesis comparativa entre los paradigmas evaluados:
Tabla 1
Comparación Paradigmática entre el Desarrollo Farmacéutico Tradicional y el
Impulsado por Inteligencia Artificial
Fase del
Desarrollo
Farmacéutico
Metodología
Tradicional
Metodología
Impulsada por IA
Arquitectura
Algorítmica
Predominant
e
Métricas de
Rendimient
o
Registradas
Identificación de
Dianas
Ensayos in
vitro
empíricos y
tamizaje de
alto
rendimiento
(HTS).
Análisis multiómico y
topología de redes
biológicas en
targetomas.
Redes
Neuronales
Gráficas
(GNN), Deep
Neural
Networks.
Reducción
del tiempo de
validación de
dianas (40-
1).
Diseño y
Tamizaje Virtual
Filtrado por
reglas de
Lipinski y
docking
molecular
estático.
Química generativa de
novo y minería masiva
en
PubChem/ChemSpid
er.
Autoencoders
Variacionales
(VAE),
Transformers,
RL
5
.
Incremento
de 10x en la
diversidad de
farmacóforos
viables
5
.
Predicción
ADMET-Tox
Ensayos
animales
tardíos y
estudios
celulares in
vitro
individuales.
Modelado in silico de
cardiotoxicidad hERG,
clearance y
permeabilidad.
QSAR con
Deep
Learning,
Gradient
Boosting.
Coeficiente
de
determinació
n en
toxicidad
(R
2
>1).
Ensayos Clínicos
(Fases I-III)
Criterios de
inclusión
amplios y
monitoreo de
pacientes
presencial.
Estratificación
biomédica,
biomarcadores
digitales y RWE.
Machine
Learning
Supervisado,
NLP.
Optimización
del tamaño
de cohorte
en un 20-15.
Reposicionamient
o Terapéutico
Observacione
s clínicas
casuales o
Grafos de
conocimiento y
análisis de
Graph
Embeddings,
Identificación
de
candidatos
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 42
Artículo Científico
hallazgos
serendípicos.
farmacología de
sistemas.
Knowledge
Graphs.
en plazos de
< 3 meses.
Nota: HTS = High-Throughput Screening (tamizaje de alto rendimiento); ADMET-Tox = Absorción,
Distribución, Metabolismo, Excreción y Toxicidad; GNN = Redes Neuronales Gráficas; VAE =
Autoencoders Variacionales; RL = Aprendizaje por Refuerzo; NLP = Procesamiento del Lenguaje
Natural; RWE = Evidencia del Mundo Real. Adaptado de la síntesis sistemática de publicaciones
indexadas entre 2020 y 2026 en repositorios biofarmacéuticos internacionales (Autores, 2026).
4. Discusión
El análisis integral de los resultados confirma que la inteligencia artificial constituye un
motor de transformación profunda en la investigación biofarmacéutica
contemporánea. No obstante, desde la perspectiva del bioquímico farmacéutico
investigador, es fundamental contrastar los impresionantes logros computacionales
con las limitaciones biológicas y metodológicas que persisten en la práctica
experimental in vitro e in vivo. Existe una brecha sustancial entre la predicción in silico
y la respuesta fisiológica compleja en organismos vivos.
Aunque las redes neuronales profundas y las arquitecturas generativas demuestren
una capacidad sobresaliente para diseñar moléculas con alta afinidad de unión teórica
a dianas específicas, la biología de los sistemas vivos introduce variables
estocásticas, procesos metabólicos dinámicos y mecanismos de resistencia que los
modelos computacionales aún no logran replicar en su totalidad. La validez de los
algoritmos de química generativa depende críticamente de la representatividad y
calidad de las bases de datos primarias como PubChem y ChemSpider; sesgos o
imprecisiones en los datos moleculares de entrenamiento se traducen inevitablemente
en predicciones imprecisas o artefactos in silico.
En el ámbito de la evaluación ADMET-Tox, la opacidad intrínseca de los modelos de
aprendizaje profundo el denominado problema de la "caja negra" representa un
obstáculo de primer orden para la validación de mecanismos de acción farmacológica.
Para el investigador biofarmacéutico y las agencias regulatorias como la FDA (2026b)
y la EMA, comprender la fundamentación fisicoquímica y biológica de la predicción de
un evento adverso o una inhibición metabólica es tan crucial como la precisión
estadística del modelo. La falta de interpretabilidad en las predicciones algorítmicas
puede comprometer la toma de decisiones clínicas y ralentizar la aprobación de
nuevas entidades químicas.
En la optimización de los ensayos clínicos, la estratificación biomédica mediante
algoritmos demuestra ser una herramienta eficaz para reducir la heterogeneidad de
las cohortes de prueba. Sin embargo, este enfoque conlleva el riesgo de introducir
sesgos de selección si las poblaciones utilizadas para entrenar los modelos carecen
de la diversidad genética y demográfica adecuada. La aplicación irrestricta de
algoritmos entrenados en subpoblaciones específicas podría derivar en
medicamentos que muestren un perfil óptimo en el ensayo clínico, pero que
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 43
Artículo Científico
evidencien respuestas terapéuticas dispares o toxicidades no anticipadas al
comercializarse en poblaciones globales heterogéneas.
Esta problemática subraya la necesidad de adoptar enfoques analíticos rigurosos y
transversales, la tecnología automatizada debe actuar como un elemento de soporte
complementario que potencie el rigor analítico, sin desplazar el juicio profesional
crítico ni la responsabilidad ética en la evaluación de los datos. Asimismo, la
integración exitosa de la IA en los procesos de investigación exige transformaciones
estructurales en la capacitación profesional, la gobernanza de datos y la cultura
organizacional dentro de los laboratorios e instituciones científicas.
Entre las limitaciones del presente estudio, cabe señalar la rápida velocidad de
obsolescencia que caracteriza a las tecnologías informáticas, lo que dificulta la
realización de evaluaciones prospectivas a largo plazo sobre el impacto de la IA en la
supervivencia poscomercialización de los medicamentos lanzados en la última
década. Asimismo, la heterogeneidad en las métricas de rendimiento reportadas en la
literatura científica dificulta la ejecución de metaanálisis cuantitativos estandarizados.
A pesar de estas limitantes, los hallazgos reafirman que el paradigma del
descubrimiento farmacéutico asistido por inteligencia artificial no sustituye la
experimentación bioquímica fundamental, sino que la potencia. La convergencia
equilibrada entre el poder de cómputo avanzado, la minería de datos multiómicos, la
rigurosidad en el diseño experimental in vitro/in vivo y la supervisión del bioquímico
farmacéutico investigador constituirá la clave para garantizar la traducción eficiente de
descubrimientos digitales en terapias efectivas, seguras y accesibles para la sociedad.
5. Conclusiones
C Los resultados de esta investigación demuestran que la inteligencia artificial
reconfiguró de manera profunda y sustantiva la investigación y desarrollo farmacéutico
durante el período 2020-2026. Se alcanzaron plenamente los objetivos planteados al
evidenciar la capacidad de los modelos algorítmicos para acelerar el descubrimiento
de medicamentos, optimizar la conducción de ensayos clínicos y transformar el
desarrollo de terapias innovadoras, transitando de un modelo empírico lineal a ciclos
iterativos de alto rendimiento guiados por datos.
En el descubrimiento de dianas terapéuticas y el diseño molecular, la implementación
de redes neuronales gráficas, modelos generativos y el análisis de macrodatos
moleculares demostraron ser altamente eficientes. Estas herramientas acortaron los
tiempos de tamizaje virtual y optimización de compuestos líderes, permitiendo explorar
espacios químicos masivos y predecir con elevada precisión parámetros
farmacocinéticos y perfiles de toxicidad ADMET-Tox antes de la síntesis experimental
en laboratorio.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 44
Artículo Científico
En la optimización de los ensayos clínicos, la integración de la IA logró mitigar las
elevadas tasas de atrición histórica. La estratificación biomédica de pacientes
mediante biomarcadores digitales y datos del mundo real permitió estructurar cohortes
de prueba más homogéneas, optimizar la potencia estadística de los estudios clínicos
en Fases I a III y prevenir fracasos por falta de eficacia o eventos adversos
inesperados. Asimismo, el reposicionamiento de fármacos mediante grafos de
conocimiento consolidó una alternativa rápida y costo-efectiva para identificar nuevas
indicaciones terapéuticas en principios activos previamente aprobados.
El aporte científico fundamental de este trabajo radica en ofrecer un análisis sintético
e interdisciplinario que integra la perspectiva de la bioquímica farmacéutica con los
avances de la informática médica y los nuevos marcos de gobernanza regulatoria
promovidos por agencias internacionales. Se establece de forma inequívoca que la
inteligencia artificial debe ser concebida como un pilar analítico complementario que
requiere validación experimental continua y una rigurosa supervisión ética.
La trascendencia de este estudio reside en proporcionar una guía crítica y
estructurada que orienta a la comunidad científica biofarmacéutica en la adopción
responsable de metodologías computacionales. Se concluye que la correcta
convergencia entre la inteligencia artificial, la rigurosidad metodológica in vitro/in vivo
y el criterio analítico del investigador biofarmacéutico resultará indispensable para
acelerar la disponibilidad de medicamentos más seguros, eficaces y personalizados,
respondiendo con mayor agilidad a las demandas globales de salud pública.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
“Los autores declaran que no utilizaron herramientas de inteligencia artificial
generativa en la elaboración de este manuscrito.”
Referencias Bibliográficas
Acosta Marin, V., Ramos, O., Acosta Freites, V., Aponte, O., Korsun, N., Gutierrez, F.,
Santiago, A. M., Ramirez, A. K., Marin, C. E., Acosta, M., & Gonzalez, C. (2024).
Algoritmos de inteligencia artificial para la evaluación de mamografías: ¿Están
listos? Artículo de revisión. Revista Venezolana de Cirugía, 77(2), 75–79.
https://doi.org/10.48104/rvc.2024.77.2.4
Apolo-Montero, D. A., Castillo-Romero, C. C., Samaniego-Flores, V. M., Limongi-
Basantes, D. S., & Meléndez-Carrasco, G. P. (2025). Automedicación con
antibióticos en Ecuador y Latinoamérica: magnitud, determinantes y propuestas
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 45
Artículo Científico
de intervención. Revista Científica Ciencia y Método, 3(4), 14-23.
https://doi.org/10.55813/gaea/rcym/v3/n4/94
Arroyo-Ruales, W. E., & Soria-Poma, X. (2026). Modelo de Inteligencia artificial para
el diagnóstico del dengue. Revista Científica Ciencia Y Método, 4(1), 1-13.
https://doi.org/10.55813/gaea/rcym/v4/n1/126
Barucci, A., Colcelli, V., De Masi, S., Falconi, M., Leo, M. C., Marzola, A., Romagnuolo,
I., Sforzi, C., & Pini, R. (2026). Ethical and regulatory frameworks for artificial
intelligence in clinical research: A European perspective on the Artificial
Intelligence Act for ethics committees and researchers. European Cardiology
Review, 21, Artículo e01. https://doi.org/10.15420/ecr.2025.59
Borja-Aguilar, M. N., Trejo-Carvajal, L. A., & Cambizaca-Mora, G. del P. (2025).
Enfermería e inteligencia artificial en la unidad de cuidados intensivos. Revisión
sistemática integrativa. Revista Científica Zambos, 4(2), 54–70.
https://doi.org/10.69484/rcz/v4/n2/108
Cujilan Guamán, J. A., Chele Sudiaga, N. E., Gavilanes Burnhan, V. A., Tacle Flores,
J. V., & Boza Ruiz, R. A. (2025). Impacto de la inteligencia artificial en la
predicción de eventos críticos en las unidades de cuidados intensivos:
Implicaciones para la práctica y la toma de decisiones en enfermería. Más Vita,
7(2), 62–76. https://doi.org/10.47606/ACVEN/MV0270
Ferreira, F. J., & Carneiro, A. S. (2025). AI-driven drug discovery: A comprehensive
review. ACS Omega, 10(23), 23889–23903.
https://doi.org/10.1021/acsomega.5c00549
Fontanella, F., D’Alessandro, T., Nardone, E., De Stefano, C., Vicidomini, C., &
Roviello, G. N. (2026). Artificial intelligence for natural products drug discovery
in neurodegenerative therapies: A review. Biomolecules, 16(1), Artículo 129.
https://doi.org/10.3390/biom16010129
Herrera-Sánchez, P. J., & Moreira-Flores, M. M. (2023). Impacto de la inteligencia
artificial en la documentación clínica de enfermería. Revista Científica Ciencia
y Método, 1(1), 1–13. https://doi.org/10.55813/gaea/rcym/v1/n1/6
Mak, K. K., Wong, Y. H., & Pichika, M. R. (2024). Artificial intelligence in drug discovery
and development. En F. J. Hock & M. K. Pugsley (Eds.), Drug discovery and
evaluation: Safety and pharmacokinetic assays (pp. 1461–1498). Springer.
https://doi.org/10.1007/978-3-031-35529-5_92
Mehran, M. J., Mohammadzadeh, S., Bolideei, M., Barzigar, R., Haider, K. H., Jadgal,
N., & Bahrami, Y. (2026). Artificial intelligence in drug discovery: Integrative
advances from data to therapeutic innovation. Drug Development Research,
87(2), Artículo e70229. https://doi.org/10.1002/ddr.70229
Mendoza-Falcones, L. M., Guida-Acevedo, G. N., Herrera-Esquivel, C. A., & Herrera-
Sánchez, P. J. (2026). Bioética y equidad en el acceso a los servicios de salud
en Ecuador y América Latina. Journal of Economic and Social Science
Research, 6(1), 121–140. https://doi.org/10.55813/gaea/jessr/v6/n1/234
Montalván-Vélez, C. L., Mogrovejo-Zambrano, J. N., Romero-Vitte, I. J., & Pinargote-
Carrera, M. L. D. C. (2024). Introducción a la inteligencia artificial: Conceptos
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 46
Artículo Científico
básicos y aplicaciones cotidianas. Journal of Economic and Social Science
Research, 4(1), 173–183. https://doi.org/10.55813/gaea/jessr/v4/n1/93
Ogungbite, A. B., & Sibiya, M. (2026). A narrative review of artificial intelligence for
drug repurposing: Lessons from COVID-19 and oncology (2020–2025). CPT:
Pharmacometrics & Systems Pharmacology, 15(7), Artículo e70272.
https://doi.org/10.1002/psp4.70272
Romero Llerena, M. A., & Pandia Yañez, E. J. (2025). La inteligencia artificial en la
salud pública: Mejorando la atención médica y previniendo enfermedades. Aula
Virtual, 6(13), 1686–1705. https://doi.org/10.5281/zenodo.17247148
Song, H., Liang, Z., Zhang, X., Yang, F., Zheng, M., & Xin, G. (2026). Artificial
intelligence algorithms drive the deciphering of traditional Chinese medicine by
analyzing the chemicalome, targetome, and bioactivome. Targetome, 2(2),
Artículo e010. https://doi.org/10.48130/targetome-0026-0002
U.S. Food and Drug Administration. (2026a). Digital health technologies (DHTs) for
drug development. https://www.fda.gov/science-research/science-and-
research-special-topics/digital-health-technologies-dhts-drug-development
U.S. Food and Drug Administration. (2026b). Guiding principles of good AI practice in
drug development. https://www.fda.gov/about-fda/artificial-intelligence-drug-
development/guiding-principles-good-ai-practice-drug-development
Vaghari, D., Mohankumar, G., Tan, K., Lowe, A., Shering, C., Tino, P., & Kourtzi, Z.
(2025). AI-guided patient stratification improves outcomes and efficiency in the
AMARANTH Alzheimer’s Disease clinical trial. Nature Communications, 16,
Artículo 6244. https://doi.org/10.1038/s41467-025-61355-3