Revista Farmespaña Industrial Enero Febrero 2026

temperatura o intensidad de luz interactúan entre sí de forma no lineal. Con frecuencia, la intuición humana no basta para navegar esa complejidad, especialmente cuando el número de combinaciones supera los miles. Aquí es donde la experimentación de alto rendimiento (HTE) adquiere un papel pro- tagonista. Al miniaturizar las reacciones y ejecutarlas en paralelo en placas de 24, 96 o incluso 384 pocillos, el laboratorio se convierte en un entorno capaz de generar grandes conjuntos de datos experimentales de excelente calidad. Pero la verdadera revo- lución emerge cuando estos experimentos dejan de diseñarse manualmente y pasan a ser propuestos por modelos de IA que apren- den de los resultados obtenidos. Un ejemplo notable es el framework Minerva 2 que com- bina HTE con algoritmos de ML para navegar espacios de búsqueda gigantescos (hasta 80.000 combinaciones en un solo estudio) y encontrar condiciones óptimas para reaccio- nes catalizadas. No se trata de ensayar todo, sino de decidir inteligentemente qué condi- ciones van a generar información relevante y cuáles conviene descartar, abaratando cos- tes y disminuyendo subproductos. En mu- chos casos, estos sistemas encuentran so- luciones que habían pasado desapercibidas en estudios previos guiados exclusivamente por la experiencia química. La repercusión en el desarrollo de fármacos es evidente. La síntesis de nuevos candida- tos terapéuticos implica no solo la prepara- ción de moléculas inéditas, sino también la identificación de condiciones sólidas, repro- ducibles y escalables para su fabricación a gran escala. En ese escenario, el aprendizaje automatico (machine learning) cumple una doble función. Por un lado, los modelos pre- dictivos permiten anticipar el rendimiento o la selectividad de reacciones sin necesidad de ejecutarlas físicamente. Esto ahorra tiem- po y reactivos, y abre la puerta a estrategias de computational pre-screening donde las hipótesis se validan primero por ordenador y solo las más prometedoras pasan al labora- torio. Por otro lado, la IA ofrecemétodos para analizar tendencias químicas difíciles de de- tectar de forma puramente intuitiva, como la influencia simultánea de parámetros en reactividades o inhibiciones no deseadas. Este tipo de análisis ha permitido, por ejem- plo, mejorar modelos para predecir energías de activación en reacciones catalizadas por metales o desarrollar condiciones robustas para acoplamientos carbono–carbono y car- bono–nitrógeno o mejoras en el escalado de ciertos procesos críticos en la industria farmacéutica. La otra gran vertiente de la IA en química es la de los modelos generativos, herramien- tas capaces de proponer no ya condiciones experimentales, sino nuevas moléculas: li- gandos, aditivos, subproductos, catalizado- res y potenciales fármacos. Estos modelos aprenden a partir de bibliotecas químicas existentes y generan nuevas estructuras que cumplen criterios específicos, como potencia farmacológica o un correcto perfil ADME-Tox (Absorción, Distribucción, Meta- molismo, Excrección-Toxicidad). Ejemplos actuales incluyen plataformas dedicadas a diseñar moléculas capaces de modulares proteínas involucradas en diferentes pato- logías. La integración de estos modelos con laboratorios automatizados crea un ciclo: la IA propone candidatos, el laboratorio los evalúa, los datos mejoran la IA y el proceso se acelera de forma continua. Esta dinámi- ca recuerda a los avances experimentados en biología sintética y descubrimiento de materiales, donde los ciclos de diseño-cons- trucción-prueba-aprendizaje ya están plena- mente consolidados. Para que esta revolución sea operativa, la infraestructura experimental también debe evolucionar. Los reactores y sistemas en flujo continuo se han convertido en una pieza cla- ve porque ofrecen un control muy superior al de los sistemas en lote y permiten integrar sensores, presión y temperatura de forma más precisa. En flujo es posible reproducir condiciones de manera casi idéntica entre experimentos, minimizar riesgos asociados a sustancias sensibles o peligrosas, y escalar procesos sin necesidad de cambiar el diseño del reactor: basta con aumentar el tiempo de residencia o el número de módulos. Tecno- logías emergentes en síntesis farmacéutica, como la generación bajo demanda de gases tóxicos como el monóxido de carbono (CO) o fluoruro de sulforilo (SO₂F₂) o la manipu- lación segura de radicales y especies de vida corta, se benefician enormemente del flujo y lo convierten en la arquitectura natural para un laboratorio autónomo. El flujo no solo es eficiente; es programable, modulable y com- patible con el pensamiento algorítmico. La integración de automatización, IA y flujo tiene consecuencias profundas para la industria farmacéutica española. Por un lado, permite acortar de forma drástica los tiempos de desarrollo de nuevas rutas sin- téticas, lo que resulta especialmente valioso en áreas de alta competencia como la onco- logía, las enfermedades neurodegenerativas o la química de péptidos y oligonucleótidos. Por otro, contribuye a mejorar la sostenibi- lidad del sector, ya que reduce el consumo de disolventes, la generación de residuos y la necesidad de metales preciosos. A nivel regulatorio, los procesos automatizados fa- cilitan la trazabilidad y la reproducibilidad, dos valores esenciales en un entorno donde la validación de procesos y el aseguramiento de la calidad son críticos. Todo esto plantea una pregunta inevitable: ¿qué papel tendrá el químico en un laborato- rio cada vez más automatizado? La respuesta es optimista. La figura del investigador no des- aparece; evoluciona. La creatividad, la capa- cidad de formular hipótesis y la comprensión profunda de losmecanismos químicos siguen siendo irremplazables. Lo que cambia es el al- cance de esa creatividad. El investigador deja de invertir horas en tareas repetitivas (ajustar condiciones, preparar series de reacciones, procesar datos…) y pasa a desempeñar un papel más estratégico: diseñar preguntas, interpretar patrones, decidir hacia dónde orientar la exploración. La IA no reemplaza la intuición, sino que la amplifica. Nos encontramos, en definitiva, ante un cambio de paradigma. La síntesis y diseño químico, tradicionalmente vista como un arte, se beneficia ahora de las herramientas propias de la ingeniería de datos y la infor- mática. La frontera entre ciencia experimen- tal y ciencia computacional se difumina, dando lugar a laboratorios híbridos que combinan robots, sensores, modelos mate- máticos y conocimiento humano para ace- lerar la innovación terapéutica. El futuro del diseño de fármacos no será exclusivo del la- boratorio ni del ordenador, sino del diálogo continuo entre ambos. En esa sinergia, la au- tomatización inteligente y los modelos pre- dictivos desempeñarán un papel cada vez más central, guiando el desarrollo de nuevas terapias con una velocidad, eficiencia y rigor impensables hace apenas una década◉ 1 Slattery, A.; Wen, Z.; Tenblad, P.; Sanjosé-Orduna, J.; Pintossi, D.; den Hartog, T.; Noël, T. Automated self-optimization, intensification, and scale-up of photocatalysis in flow. Science 2024, 383, 6681‒ 6693. 2 Sin, J. W.; Chau, S. L.; Burwood, R. P.; Püntener, K.; Bi‑ gler, R.; Schwaller, P. Highly parallel optimisation of chemical reactions through automation and machi‑ ne intelligence. Nat. Commun. 2025, 16, 6464‒ 6477. DESARROLLO DE FÁRMACOS 43 FARMESPAÑA INDUSTRIAL · ENE/FEB 26