Revista Farmespaña Industrial Enero Febrero 2026

demostrado ser herramientas valiosas para predecir la reactividad y la selectividad. Utilizando amplias bases de datos de reac- ciones para entrenar modelos predictivos, los científicos pueden anticipar los resultados de diversos sistemas catalíticos y, por tanto, dise- ñar catalizadores con la selectividad y el regio/ estereocontrol deseados, vitales en la síntesis farmacéutica. Mediante el análisis de perfiles cinéticos, estructuras moleculares y condicio- nes de reacción, los algoritmos de ML pueden identificar patrones y correlaciones, arrojan- do luz sobre las vías subyacentes que rigen la actividad catalítica. Los predictores de ML se integran frecuentemente con herramientas de quimio-informática, caracterización mole- cular o estructural y validación experimental. En este contexto, la quimio-informática y los métodos basados en la Mecánica Cuántica se emplean habitualmente para caracterizar moléculas en descriptores adecuados para generar predicciones. Estos descriptores, pretender definir de la forma más precisa posible, como es una molécula de una forma matemática. Los más comunes, son los des- criptores que describen tridimensionalmente, mediante coordenadas, ángulos y vectores, la disposición relativa de una molécula en el es- pacio, así como la carga o densidad electróni- ca de cada uno de los átomos que la confor- man. A pesar de ser adiciones relativamente recientes a los modelos de ML, estos métodos de predicción están ganando terreno, con un número creciente de publicaciones que de- muestran su potencial en el descubrimiento de catalizadores. De este modo, con los re- sultados obtenidos durante los años, estos algoritmos de aprendizaje automático son capaces de generar predicciones muy acer- tadas sobre características estructurales tan complejas como la relación de enantiómeros o de regioisómeros. Los modelos de ML se dividen en dos gran- des grupos, aprendizaje supervisado y no su- pervisado. Dentro del aprendizaje supervisa- do, encontramos modelos de clasificación y modelos de regresión, y dentro del aprendi- zaje no supervisado, encontramos los mode- los de clasificación o clustering . Algunos de los modelos más empleados dentro de esta área, serían la Regresión lineal, Regresión lo- gística, Árboles de decisión, Random Forest, XGBoost o Gradient Boosting. Por otro lado, los modelos basados en redes neuronales no son tan comunes, debido a que necesitan de grandes cantidades de datos para poder predecir correctamente. Por desgracia, el campo de la generación de estructuras y pre- dicción de propiedades estructurales tiene la limitación de que el número de datos dis- ponible no es tan elevado como en otras lí- neas de investigación, ya que, en su mayoría, han de ser obtenidos mediante la más pura experimentación. Pese a ello, los resultados que se están obteniendo en la actualidad, son de gran utilidad, permitiendo acceder a moléculas estructuralmente puras. Para finalizar, podemos concluir que al igual que en otros ámbitos, la inteligencia ar- tificial, y en especial los modelos de Machine Learning , están resultado ser una auténtica revolución en la predicción de propiedades relacionadas con la síntesis química. Esto está permitiendo acceder a predicciones de todo tipo, desde mejoras en los rendimien- tos de reacción, como en una mayor selecti- vidad, lo que se traduce en una disminución del tiempo de síntesis, un abaratamiento de los costes, un menor uso y más eficiente de la energía y, en definitiva, un acceso más ve- loz a fármacos potencialmente exitosos ◉ Figura 1. Ejemplos de fármacos enantioméricamente definidos. DESARROLLO DE FÁRMACOS 46 FARMESPAÑA INDUSTRIAL · ENE/FEB 26