Vivodyne y su laboratorio robótico: datos humanos vs IA en fármacos

¿Por qué la IA no está cerca de curar el cáncer?

La industria del descubrimiento de fármacos impulsada por inteligencia artificial enfrenta un problema fundamental que pocos quieren nombrar: no tiene datos humanos reales. Vivodyne, una startup de biotecnología formada en 2021 en la Universidad de Pennsylvania, acaba de abrir lo que denomina el mayor centro de datos biológicos humanos del mundo —con 12 laboratorios robóticos capaces de procesar 3,1 millones de tejidos humanos grandes por año— y su mensaje es directo. "Sin pruebas humanas, ¿qué van a hacer estos modelos de IA? Van a curar el cáncer en ratones", afirmó su CEO y cofundador, Andrei Georgescu.

Esta reflexión cobra urgencia mientras incluso figuras como Dario Amodei, CEO de Anthropic, advirtió este fin de semana que las promesas sobre la capacidad de la IA para curar el cáncer se volvieron más cliché que realidad. Y los datos respaldan la cautela: hasta la fecha, solo unos pocos medicamentos diseñados con IA llegaron a ensayos clínicos humanos, y muchos fracasaron en etapas tempranas.

El problema de fondo: datos de ratón para decisiones humanas

El modelo actual de descubrimiento de fármacos depende masivamente de pruebas en animales o estudios de células individuales y proteínas aisladas. El resultado es predecible: el 90% de los medicamentos que funcionan en pruebas animales no logran la aprobación regulatoria para humanos. No es un problema menor; representa decenas de millones de dólares invertidos en candidatos que fracasan porque la biología animal no refleja la complejidad de los tejidos humanos vivos.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Los modelos de IA actuales están entrenados principalmente con esos datos limitados: snapshots estáticos de células, papers científicos y simulaciones computacionales. Georgescu lo resume con crudeza técnica. "El modelo aprende 'este es el estado A de la célula', 'este es el estado B', pero nunca 'el estado B es el efecto de inflamar el estado A'". Sin experimentos controlados que establezcan relaciones causales en tejido humano vivo, la IA no puede aprender cómo responde realmente el cuerpo humano a una intervención terapéutica.

Un estudio publicado el mes pasado en Nature Methods confirmó esta limitación: no existen leyes claras de escalado cuando se entrena inteligencia artificial generativa con datos celulares existentes. Más datos del mismo tipo no resuelven el problema si esos datos no capturan la causalidad biológica real.

Lo que Alphafold demostró — y lo que no

Es justo reconocer los avances. AlphaFold, el sistema de Google DeepMind que ganó un premio Nobel, fue un avance significativo para entender los bloques de construcción de la vida: predijo la estructura tridimensional de prácticamente todas las proteínas conocidas. Pero predice estructuras, no comportamientos dinámicos.

Isomorphic Labs, la compañía fundada para construir sobre AlphaFold, esperaba sus primeros ensayos clínicos originalmente para 2025 y, según su propio comunicado de febrero de 2026, aún no ha producido un medicamento nuevo. En ese documento, la empresa reconoció que el descubrimiento real de fármacos requerirá "modelos predictivos altamente precisos, a través de un rango expansivo de propiedades bioquímicas e interacciones".

Demis Hassabis, CEO de Google DeepMind, había estimado el año pasado que la IA podría potencialmente curar todas las enfermedades dentro de una década. Hasta ahora, esa proyección sigue siendo una proyección.

La apuesta de Vivodyne: laboratorios robóticos que piensan como humanos

La solución de Vivodyne no es mejorar los algoritmos de IA, sino alimentarlos con datos que hoy no existen. Su plataforma central incluye dos componentes:

HIVE, el sistema de laboratorios robóticos modulares. Con 12 instalaciones operativas cerca de San Francisco, HIVE genera una capacidad anual estimada de 3,1 millones de ensayos en tejidos humanos grandes por año —lo que Georgescu calcula como el doble de la escala de todos los ensayos en animales realizados en Estados Unidos combinados.

TissueDisk Series 2, un chip biológico a escala de oblea fabricado completamente en la línea robótica propia de Vivodyne. Cada chip cultiva simultáneamente cientos de tejidos humanos grandes, funcionales y vivos, incluyendo hígado, pulmones, intestino, médula ósea, páncreas, riñones, ojos y ganglios linfáticos, tanto sanos como con enfermedades vinculadas a pacientes específicos.

La precisión reportada es concreta: las células hepáticas muestran un 94% de precisión predictiva en pruebas de toxicidad comparadas con ensayos humanos reales; el tejido de vías respiratorias coincide con el comportamiento del tejido humano real en un 96% de las ocasiones; y la médula ósea alcanzó un 100% de concordancia en pruebas con 20 medicamentos de quimioterapia diferentes.

Qué significa esto para tu startup

Si estás construyendo en la intersección entre inteligencia artificial y ciencias de la vida, este movimiento de Vivodyne marca un punto de inflexión estratégico. La tesis subyacente es clara: la próxima ola de valor en biotech no vendrá de mejores algoritmos, sino de mejores datos experimentales.

Para founders en biotecnología, salud digital o herramientas de investigación, hay dos implicaciones concretas:

Primero, la validación preclínica se está convirtiendo en una barrera de entrada competitiva. Las ocho compañías farmacéuticas más grandes del mundo ya pagaron acceso anticipado a la plataforma de Vivodyne. Si tu startup desarrolla terapias o diagnósticos, contar con datos de tejidos humanos relevantes antes de entrar a ensayos clínicos puede ser la diferencia entre atraer inversión o quedarse sin fondos. Considera evaluar partnerships con plataformas de modelado humano relevante (NAMs, por sus siglas en inglés) desde las etapas tempranas de desarrollo.

Segundo, la oportunidad para herramientas de análisis de datos mult omicos es enorme. Vivodyne genera datos multimodales masivos: escaneo 3D, secuenciación transcriptómica y análisis proteómico profundo de cada experimento. Cualquier startup que pueda integrar, visualizar o extraer insights accionables de este tipo de datasets complejos tiene un mercado potencial inmediato. La integración de CRISPR-based functional genomics con multi-omics y IA, como describe la literatura académica reciente, es un espacio donde pequeñas equipos pueden competir contra actores más grandes.

Las tres acciones inmediatas que puedes tomar:

Evalúa si tu producto o servicio puede integrarse con plataformas de generación de datos biológicos humanos como HIVE. Las farmacéuticas buscan partners que aceleren sus pipelines preclínicos.
Monitorea la adopción regulatoria de NAMs. Agencias como la FDA, la EMA y los NIH están mostrando interés creciente en estas metodologías alternativas. Quienes construyan herramientas compatibles con los estándares regulatorios emergentes estarán posicionados para ganar contratos institucionales.
Considera si tu enfoque de IA necesita un cambio de paradigma en los datos de entrenamiento. Si tu modelo se entrena con datos de animales o líneas celulares inmortalizadas, documenta esa limitación explícitamente en tus materiales de fundraising. Los inversores están empezando a preguntar por esto.

El futuro: terapias combinadas y causalidad biológica

Georgescu va más allá de mejorar la eficiencia del descubrimiento de fármacos. Su visión a largo plazo implica que las enfermedades complejas —cáncer, fibrosis, trastornos autoinmunes, enfermedades neurológicas— requieren medicamentos que aborden múltiples vías simultáneamente. "No puedes arreglar un coche apretando un solo tornillo", compara.

Las terapias combinadas multiplican exponencialmente el espacio de búsqueda terapéutica. Un enfoque experimental tradicional no escala a ese volumen. Georgescu argumenta que establecer causalidad en biología humana mediante experimentación automatizada a gran escala es el único camino viable para desarrollar estas terapias del futuro.

"Si queremos terapias combinadas, el espacio que debe explorarse se expande, no puede ser un enfoque experimental", concluyó. "Hay que establecer qué causa debe invocarse para que ocurra un efecto".

Esa frase resume la tensión central de toda la industria: la IA promete velocidad, pero la velocidad sin datos correctos solo te lleva más rápido al lugar equivocado.