DeepMind quiere reinventar el descubrimiento de fármacos y acabar con las enfermedades

En Google I/O 2026, el CEO de DeepMind, Demis Hassabis, anunció con total seriedad que la compañía espera "reinventar el proceso de descubrimiento de fármacos con el objetivo de curar algún día todas las enfermedades". Es una meta ambiciosa y, para ser sinceros, suena poco realista. Pero antes de descartarla, conviene analizar qué hay detrás y por qué los periodistas de The Verge ya le están tomando la palabra a Google.

Qué se presentó en I/O

Google DeepMind presentó todo un paquete de herramientas para acelerar la investigación biológica. Las tres principales son Gemini for Science (una versión especializada de su LLM insignia para tareas científicas), AlphaFold 3 (un sistema de predicción de la estructura de proteínas) y la completamente nueva AlphaGenome.

AlphaFold 3 puede predecir con gran precisión la estructura tridimensional de las proteínas y sus interacciones con otras moléculas. Esto es clave, porque la forma de una proteína suele determinar si un fármaco será eficaz.

AlphaGenome amplía ese enfoque: ahora el sistema puede trabajar con datos genómicos y predecir los factores genéticos de las enfermedades.

Gemini for Science integra ambos sistemas en una única plataforma. Es un LLM que "entiende" el contexto de la investigación biológica, puede leer artículos científicos y ofrecer recomendaciones directamente en la interfaz que los científicos ya conocen.

Cómo funciona en la práctica

Un escenario aproximado: un investigador plantea a Gemini for Science una petición del tipo "desarrollar un compuesto antiviral para el virus X". El sistema analiza lo que se sabe del virus, propone estructuras moleculares candidatas, usa AlphaFold 3 para predecir cómo interactúan esas moléculas con las proteínas virales y estima los posibles efectos secundarios.

Sobre el papel, parece un salto de productividad. Antes, una búsqueda así llevaba meses. Ahora podría llevar horas o días.

Pero hay un matiz: Google habla de "aceleración", pero no da plazos concretos. ¿Cuánto más rápido, en porcentaje? ¿A costa de qué? Eso queda fuera de foco.

¿Por qué hay más escépticos que creyentes?

Estas son las razones por las que "curar todas las enfermedades" es, por decirlo suavemente, una afirmación muy atrevida:

• Pasar de una molécula a un fármaco no es una sola tarea. Aunque la IA prediga la molécula a la perfección, hay que sintetizarla en el laboratorio, probarla en cultivos celulares, después en animales y luego en humanos (ensayos clínicos: 3 fases, 5-10 años), y solo entonces obtener la aprobación del regulador.
• "Todas las enfermedades" no son 100 dolencias, sino más de 10 000. Algunas tienen origen genético (terreno de la IA), pero otras son infecciosas, autoinmunes, psiquiátricas o ambientales. En esos casos, la IA aplicada a la biología molecular ayudará poco.
• La historia de la IA está llena de promesas incumplidas. Deep Blue prometía una revolución en la analítica. IBM Watson prometía una revolución en la medicina. La realidad suele ser más complicada que las diapositivas de marketing.
• Los reguladores ralentizan el proceso a propósito. La FDA exige pruebas de seguridad, y no por capricho: es una forma de proteger a los pacientes. Una propuesta generada por IA es solo el primer paso de un camino muy largo.

«Entre las grandes promesas y los resultados en una clínica real hay un trecho enorme», escriben los editores de

The Verge, y no son los únicos que lo piensan.

Qué significa realmente

Las herramientas de Google DeepMind son realmente útiles y pueden acelerar fases concretas del desarrollo de fármacos, sobre todo la búsqueda de candidatos. Pero "curar todas las enfermedades" no es un problema tecnológico. Depende de lo compleja que es la biología, de lo estrictos que son los reguladores y de cuánto dinero se invierta en cada línea de investigación.

La IA será una buena ayudante para los científicos. Pero no hará magia. Las promesas de Hassabis probablemente no sean más que un discurso para Google I/O. Un discurso útil, pero conviene ser realista.