Por Redacción Pangea IA · 6 de noviembre de 2026
La empresa británica Potential Sciences ha salido a la luz con financiación de varios inversores, incluido el fondo público británico de inteligencia artificial, y una propuesta ambiciosa: generar datos de química mediante simulaciones físicas para entrenar modelos capaces de anticipar el comportamiento de moléculas antes de sintetizarlas. El anuncio se produjo el 5 de noviembre. No significa que haya descubierto un medicamento ni que pueda sustituir los ensayos clínicos, pero sí apunta a una posible reducción de trabajo en las primeras fases de investigación.
Qué ha anunciado Potential Sciences
La compañía, fundada por Hatem Helal, ha anunciado una ronda inicial de financiación de una cuantía de ocho cifras, sin publicar el importe exacto ni su valoración. Entre los respaldos citados figuran Nauta Capital, el fondo británico Sovereign AI, Twin Path Ventures y otros inversores. Su objetivo es construir modelos de inteligencia artificial especializados en química que aprendan de interacciones moleculares simuladas, en lugar de depender únicamente de resultados experimentales ya disponibles.
La idea consiste en aprovechar las leyes de la física y la capacidad de cálculo para crear conjuntos de datos sintéticos sobre cómo interactúan átomos y moléculas. Posteriormente, esos datos alimentarían sistemas de IA destinados a predecir propiedades relevantes para el diseño de fármacos. Según la firma inversora Nauta, la aspiración es abaratar drásticamente la obtención de datos químicos de calidad; esa reducción es un objetivo declarado por sus promotores, no un resultado independiente demostrado a escala comercial.
Por qué los datos son un problema para la IA farmacéutica
Los modelos de IA necesitan ejemplos fiables para aprender. En biología estructural existen bases de datos públicas con estructuras de proteínas y otras moléculas, pero no recogen todas las combinaciones, condiciones e interacciones que interesan a los investigadores. Obtener nuevas observaciones en un laboratorio exige materiales, equipos especializados y tiempo.
La simulación ofrece otra vía: calcular cómo podrían comportarse las moléculas bajo determinadas condiciones y utilizar esos resultados como material de entrenamiento. Su ventaja potencial es la escala. Su dificultad principal es la fidelidad: una simulación abundante pero imprecisa puede transmitir errores al modelo y producir predicciones engañosas. Por eso, el trabajo experimental seguirá siendo imprescindible para comprobar qué predicciones se sostienen.
Cómo podría utilizarse en un laboratorio
Imaginemos un equipo que estudia cientos de moléculas candidatas para actuar sobre una proteína relacionada con una enfermedad. En el proceso tradicional debe seleccionar cuáles sintetizar y ensayar. Un sistema de predicción suficientemente fiable podría ayudarle a descartar antes las opciones menos prometedoras y concentrar el presupuesto en las que merezcan experimentos adicionales.
La empresa señala aplicaciones iniciales en optimización de compuestos, predicción de reacciones y diseño de moléculas que forman enlaces covalentes. Son áreas técnicas de investigación, no herramientas que un paciente o una pequeña farmacia puedan utilizar hoy. Tampoco hay constancia pública de un producto comercial general disponible, una tarifa o resultados clínicos validados.
Qué cambiaría para empresas y centros de investigación
Para una biotecnológica, incluso una mejora modesta en la selección temprana de candidatos podría traducirse en menos experimentos fallidos, ciclos de investigación más cortos y un mejor uso de los recursos. Para universidades y centros de investigación, la posibilidad de acceder a herramientas de simulación y modelos especializados podría abrir proyectos antes demasiado costosos. Pero esos beneficios dependen de validaciones comparables, disponibilidad real y costes de cómputo que todavía no están suficientemente detallados.
La tendencia conecta con otras aplicaciones de IA científica que ya hemos analizado, como el trabajo de Anthropic con socios farmacéuticos y el uso de IA para investigar estructuras moleculares. Son enfoques diferentes y no deben confundirse con una prueba de que la propuesta de Potential Sciences ya funcione.
Los límites: simular no equivale a curar
La cobertura independiente de WIRED recoge tanto el interés de la aproximación como las reservas de investigadores: predecir interacciones entre proteínas y compuestos con precisión sigue siendo extremadamente difícil. Además, encontrar un candidato prometedor es solo el comienzo. Después hacen falta pruebas de toxicidad, estudios preclínicos, ensayos con personas y autorizaciones regulatorias. Ninguna simulación elimina automáticamente esas fases.
También existen interrogantes sobre el acceso futuro a los modelos y la gestión de posibles usos indebidos. Las mismas técnicas que ayudan a estudiar moléculas terapéuticas podrían requerir salvaguardias para evitar aplicaciones peligrosas. La compañía aún no ha definido públicamente todos los detalles de comercialización y distribución.
Qué conviene observar a partir de ahora
Los próximos hitos importantes no serán únicamente nuevas rondas de financiación, sino publicaciones técnicas reproducibles, comparaciones con métodos existentes, resultados confirmados por laboratorios independientes y acuerdos de uso con investigadores. También será relevante conocer si el ahorro prometido compensa el coste de generar datos por simulación y entrenar modelos.
Potential Sciences representa una apuesta por una IA científica menos dependiente de los datos históricos disponibles y más apoyada en cálculos físicos. La oportunidad es real como línea de investigación, pero su impacto económico y médico continúa siendo una hipótesis que debe ponerse a prueba.
Fuentes y fecha de consulta
- Nauta Capital: anuncio de inversión en Potential Sciences, 5 de noviembre de 2026.
- Tech.eu: financiación y participación del fondo británico, 5 de noviembre de 2026.
- WIRED: explicación de la tecnología y sus límites, consultado el 6 de noviembre de 2026.
Deja una respuesta