La IA ensambla moléculas con un 95,4% de puntos, pero en la elección de candidatos a fármaco apenas llega a cerca del 50%
OpenAI ha presentado MedChemBench, un examen para IA basado en problemas de químicos médicos. A partir de la estructura de una molécula y de los resultados de experimentos, el modelo debe determinar cuál de varios compuestos parecidos es mejor y qué sintetizar a continuación. El modelo Astra obtuvo un 95,4% de los puntos en el ensamblaje de moléculas a partir de dibujos, pero solo cerca de la mitad en la elección de compuestos y la predicción de sus propiedades. Es decir, ya se le puede encargar a la IA la comprobación de estructuras, pero la elección del candidato para el laboratorio conviene, por ahora, dejarla en manos del químico.
Procesado por IA desde OpenAI Blog; editado por Hamidun News
Imagine que un químico tiene dos compuestos muy parecidos. El primero inhibe con más fuerza una proteína asociada a una enfermedad, pero se absorbe mal. El segundo actúa con menos intensidad, pero atraviesa mejor la barrera celular y se degrada más despacio en el hígado.
¿Cuál de los dos conviene sintetizar y probar a continuación? Esas son las decisiones que evalúa MedChemBench, el nuevo benchmark de OpenAI: un conjunto de 99 problemas extraídos de trabajos científicos reales de química médica. El resultado es ambivalente.
El modelo Astra obtuvo el 95,4% de los puntos disponibles en el ensamblaje de moléculas a partir de dibujos y fragmentos químicos, pero solo cerca de la mitad en la elección de compuestos y en la predicción de sus propiedades numéricas. Para los desarrolladores de herramientas de IA en biotecnología, la conclusión es la siguiente: la comprobación de estructuras y la explicación de datos ya se pueden automatizar, pero la elección del «mejor candidato» no se debe delegar todavía en el modelo sin la supervisión de un químico.
Cómo está diseñada la prueba
MedChemBench se apoya en 117 artículos y patentes e incluye 761 estructuras moleculares distintas. En la mayoría de los problemas, el modelo recibe el mismo contexto que tenían los investigadores en un paso concreto del proyecto: qué proteína diana se ha elegido, qué objetivos se han fijado, qué compuestos ya se han estudiado y qué resultados se han obtenido.
Se evalúan cuatro habilidades:
- Estructuras moleculares. Conectar correctamente los átomos y tener en cuenta la disposición espacial de los grupos (estereoquímica) en moléculas que hay que ensamblar a partir de dibujos y fragmentos químicos.
- Razonamiento científico. Explicar, por ejemplo, por qué se ha elegido un compuesto en lugar de otro, apoyándose en los datos del enunciado.
- Clasificación y selección. Ordenar o elegir compuestos de modo que cumplan los requisitos indicados.
- Predicción de propiedades. Indicar cifras y categorías que coincidan con los valores medidos y calculados de la fuente. Se conceden puntos parciales por acercarse a la medición real.
Uno de los problemas se basa en un estudio de inhibidores de PRMT5, una proteína que se investiga en la búsqueda de fármacos contra el cáncer. El modelo debe predecir, para tres compuestos emparentados, con qué intensidad bloquean PRMT5 en células, con qué facilidad atraviesan la barrera celular y a qué velocidad los degradan las enzimas hepáticas en una prueba de laboratorio. Los experimentos posteriores, ocultos al modelo, mostraron un equilibrio entre ventajas: el compuesto 23 inhibía PRMT5 a una concentración menor, mientras que el compuesto 24 penetraba mejor la barrera y se degradaba más despacio.
Qué muestran las cifras
OpenAI sometió a la prueba a once modelos GPT con distintos ajustes de profundidad de razonamiento. En el modo xhigh, común a todos, GPT-6.2 Astra obtuvo el 84,5% de los puntos disponibles, GPT-6 Astra el 83,3%, GPT-6.1 Sol el 82,0%, GPT-6.1 Terra el 75,1% y GPT-5.6 Sol el 58,2%. En el modo max, GPT-6 Astra alcanzó el 83,8%. En general, un razonamiento más profundo mejoraba el resultado, pero las grandes diferencias entre modelos se mantenían.
Un ejemplo ilustrativo es el problema de ensamblar una molécula a partir de una estructura central y dos grupos unidos a ella, de modo que se conserve un anillo de 18 átomos. GPT-6 Astra lo resolvió en las diez respuestas. GPT-5.6 Sol y GPT-5.6 Luna no lo lograron ni una sola vez: el primero dibujó un anillo de 15 átomos y el segundo partió la molécula en dos fragmentos sin conexión. En química esto es crítico: si el modelo escribe mal la propia sustancia, cualquier conclusión posterior sobre sus propiedades carece de sentido.
Por habilidades, el panorama es desigual. En el ensamblaje de estructuras, Astra en xhigh obtuvo el 95,4% de los puntos. También explicó bien los experimentos: detectaba los cambios en la estructura y valoraba su posible efecto en la unión a la proteína, la absorción y el metabolismo. En cambio, en la elección de compuestos y la predicción de propiedades numéricas obtuvo solo cerca de la mitad de los puntos. OpenAI advierte de que esas categorías tienen problemas y reglas de puntuación distintos, pero el margen de mejora es evidente.
Qué significa en la práctica
Por ahora, un reparto de tareas razonable es este: la IA comprueba que la molécula está bien escrita, ayuda a interpretar los datos y formula hipótesis, mientras que la decisión de qué compuesto elaborar a continuación la toman el químico y el experimento.
La propia OpenAI subraya las limitaciones. La prueba no demuestra que los modelos puedan descubrir nuevos fármacos ni mejorar las decisiones en el laboratorio. No se puede descartar que los modelos hayan visto las publicaciones originales durante el entrenamiento. Cada respuesta es un único intento, sin herramientas, sin retroalimentación y sin nuevos experimentos. Lo que se evaluó fue el razonamiento sobre datos históricos, no una búsqueda real de fármacos. Aun así, la industria dispone ahora de una vara de medir común que muestra dónde los modelos ya son útiles y dónde los errores siguen saliendo caros.
- 20 nov 2026Nvidia invirtió $58,1 mil millones en otras empresas en nueve meses: 12 veces más que hace un año
- 20 nov 2026METR actualiza su célebre gráfico de IA: la duración de las tareas se duplica cada 4 meses, pero el criterio sigue fallando
- 20 nov 2026OpenAI blindó el razonamiento de GPT-6.2 Astra: el éxito del robo cayó del 54% al 0,2%
- 20 nov 2026Nvidia, cerca de comprar Inception por $500 millones para impulsar los LLM de difusión
Preguntas frecuentes sobre la noticia
Cómo está diseñada la prueba?
MedChemBench se apoya en 117 artículos y patentes e incluye 761 estructuras moleculares distintas. En la mayoría de los problemas, el modelo recibe el mismo contexto que tenían los investigadores en un paso concreto del proyecto: qué proteína diana se ha elegido, qué objetivos se han fijado, qué compuestos ya se han estudiado y qué resultados se han obtenido. Se evalúan cuatro habilidades: Estructuras moleculares.
¿Qué se sabe sobre Qué muestran las cifras?
OpenAI sometió a la prueba a once modelos GPT con distintos ajustes de profundidad de razonamiento. En el modo xhigh, común a todos, GPT-6.2 Astra obtuvo el 84,5% de los puntos disponibles, GPT-6 Astra el 83,3%, GPT-6.1 Sol el 82,0%, GPT-6.1 Terra el 75,1% y GPT-5.6 Sol el 58,2%. En el modo max, GPT-6 Astra alcanzó el 83,8%. En general, un razonamiento más profundo mejoraba el resultado, pero las grandes diferencias entre modelos se mantenían.
¿Qué se sabe sobre Qué significa en la práctica?
Por ahora, un reparto de tareas razonable es este: la IA comprueba que la molécula está bien escrita, ayuda a interpretar los datos y formula hipótesis, mientras que la decisión de qué compuesto elaborar a continuación la toman el químico y el experimento. La propia OpenAI subraya las limitaciones. La prueba no demuestra que los modelos puedan descubrir nuevos fármacos ni mejorar las decisiones en el laboratorio.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.