DeepMind está listo para reimaginar el descubrimiento de fármacos y vencer enfermedades

En Google I/O 2026, el director general de DeepMind, Demis Hassabis, con una expresión completamente seria en el rostro, anunció: la empresa espera "reimaginar el proceso de descubrimiento de fármacos con el objetivo de resolver todas las enfermedades en un día". Esta es una meta ambiciosa y, francamente, que suena poco realista. Pero antes de descartar la idea, comprendamos qué hay detrás y por qué los periodistas de Verge ya están cuestionando a Google.

Qué presentó Google I/O

Google DeepMind presentó un conjunto completo de herramientas para acelerar la investigación biológica. Las tres principales son: Gemini for Science (una versión especializada del LLM insignia para tareas científicas), AlphaFold 3 (sistema de predicción de la estructura de proteínas) y el completamente nuevo AlphaGenome.

AlphaFold 3 puede predecir con alta precisión la estructura tridimensional de las proteínas y sus interacciones con otras moléculas. Esto es crítico porque la forma de la proteína a menudo determina si un fármaco será efectivo. AlphaGenome amplía el enfoque: ahora el sistema puede trabajar con datos genómicos y predecir factores genéticos de 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 proporcionar recomendaciones directamente dentro de la interfaz familiar para los científicos.

Cómo funciona esto en la práctica

Un escenario aproximado: un investigador carga en Gemini for Science una pregunta como "desarrollar un compuesto antiviral para el virus X". El sistema analiza hechos conocidos sobre el virus, propone estructuras moleculares candidatas, utiliza AlphaFold 3 para predecir la interacción de estas moléculas con proteínas virales y pronostica los posibles efectos secundarios.

En el papel, esto suena como un salto en la productividad. Anteriormente, una búsqueda similar tomaba meses. Ahora podría ser horas o días. Pero hay un matiz: Google habla de "aceleración", pero no menciona plazos específicos. ¿Cuánto más rápido en términos de porcentaje? ¿A qué costo? Esto queda fuera de la vista.

Por qué hay más escépticos que creyentes

Aquí está la lista de razones por las que "resolver todas las enfermedades" es, hablando con suavidad, una afirmación muy atrevida:

• De la molécula al fármaco no es una sola tarea. Incluso si la IA predice perfectamente la molécula, necesita ser sintetizada en el laboratorio, probada en cultivos celulares, luego en animales, luego en humanos (ensayos clínicos — 3 fases, 5-10 años), y solo entonces obtener la aprobación regulatoria.

• "Todas las enfermedades" no son 100 enfermedades, son 10,000+. Algunas tienen naturaleza genética (en el ámbito de la IA), pero otras son infecciosas, autoinmunes, psiquiátricas, ambientales. Con estas, la IA de biología molecular no ayudará mucho.

• La historia de la IA está llena de promesas que no se cumplieron. Deep Blue prometió una revolución en análisis. IBM Watson prometió una revolución en medicina. La realidad es usualmente más compleja que las diapositivas de marketing.

• Los reguladores ralentizan el proceso intencionalmente. La FDA requiere evidencia de seguridad — esto no es un capricho, es protección del paciente. La propuesta de IA es solo el primer paso en un camino muy largo.

«De las grandes promesas a los resultados en la clínica real — la distancia es enorme», escriben los editores de

Verge, y no están solos en esta opinión.

Qué significa todo esto en realidad

Las herramientas de Google DeepMind son realmente útiles y pueden acelerar fases específicas del desarrollo de fármacos — especialmente en la etapa de búsqueda de candidatos. Pero "resolver todas las enfermedades" no es una tarea tecnológica. Es una cuestión de cuán compleja es la biología, cuán rigurosos son los requisitos regulatorios, y cuánto dinero invertir en cada dirección. La IA será una buena ayudante para los científicos. Pero no será mágica. Las promesas de Hassabis probablemente son solo un discurso para Google I/O. Un discurso útil, pero vale la pena mantener el realismo.