Vivodyne y el dato causal que frena la IA en salud

¿Por qué la IA aún no cura el cáncer?

La industria de descubrimiento de fármacos con inteligencia artificial enfrenta un problema fundamental que pocos quieren admitir en público: carece de datos biológicos humanos reales. La startup Vivodyne, nacida de la Universidad de Pensilvania en 2021, dice haber identificado exactamente dónde está el cuello de botella y construyó una máquina para resolverlo.

Su producto principal se llama HIVE: laboratorios robóticos modulares capaces de cultivar 20 tipos de tejido humano, dosificarlos automáticamente y monitorearlos continuamente. El resultado son datos causales —no correlacionales— sobre cómo reaccionan los tejidos enfermos ante estímulos específicos, el tipo de información que los modelos actuales de IA simplemente no poseen.

Andrei Georgescu, CEO y cofundador de Vivodyne, lo resume sin rodeos: "Sin pruebas humanas, ¿qué van a hacer estos modelos? Van a curar el cáncer en ratones".

Esta advertencia llega en un momento donde figuras prominentes del sector han sido cada vez más optimistas. El fin de semana pasado, Dario Amodei, CEO de Anthropic, escribió que las afirmaciones sobre la IA curando el cáncer se volvieron más cliché que creíbles. Antes, tanto Sam Altman como Demis Hassabis de Google DeepMind habían citado la curación del cáncer como justificación para inversiones masivas en computación y AGI.

Los resultados prácticos siguen siendo tibios. Un puñado de fármacos diseñados con IA llegó a ensayos humanos —uno hasta Fase III— pero ningún medicamento descubierto principalmente mediante IA ha recibido aprobación completa de la FDA, según MIT Technology Review. Se espera que eso cambie en los próximos dos o tres años.

Cómo funciona HIVE y por qué es diferente

El modelo tradicional de validación farmacéutica tiene una brecha enorme: el 90% de los fármacos efectivos en pruebas animales no reciben aprobación regulatoria para humanos. La mayoría de los modelos de IA actuales se entrenan con datos de pruebas en animales, estudios de células aisladas o proteínas individuales, no de tejidos vivos interconectados.

Vivodyne aborda esto con su infraestructura física. Según Georgescu, sus tejidos artificiales replican el comportamiento de órganos humanos reales con precisiones documentadas:

• Células hepáticas: 94% de precisión predictiva comparada con ensayos humanos de toxicidad
• Tejido respiratorio: 96% de concordancia con comportamiento de tejido humano real
• Médula ósea: 100% de concordancia en pruebas de 20 medicamentos diferentes de quimioterapia

La empresa abrió la semana pasada lo que denomina el mayor "centro de datos humanos" del mundo a las afueras de San Francisco. Georgescu afirma que su equipo ya logra el doble del throughput de todos los ensayos con animales realizados en Estados Unidos.

Aunque no revela nombres de clientes, Vivodyne trabaja con múltiples compañías farmacéuticas grandes. Georgescu compara el proceso con las pruebas de choque automotrices: un fabricante sabe si su coche pasará los requisitos NHTSA antes de probarlo. Los desarrolladores de fármacos rara vez tienen esa confianza antes de entrar a un ensayo clínico, donde la gran mayoría de medicamentos fracasan.

El problema de datos que frena toda la industria

Lo que hace Vivodyne va más allá de acelerar candidatos a fármacos. Georgescu ve sus laboratorios de biología autónoma como la clave para generar el tipo de datos causales necesarios para entrenar nuevas generaciones de modelos de IA sobre biología humana.

Un estudio publicado en Nature Methods el mes pasado encontró ninguna ley de escalado clara al entrenar modelos generativos de IA con datos celulares existentes. Georgescu explica el problema central: "Todo el entrenamiento se realiza con instantáneas estáticas de estas células, y los modelos no están condicionados en absoluto por cómo una célula llegó a ese estado".

En otras palabras, 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".

Las máquinas HIVE rastrean cientos de miles de experimentos en curso donde tejido enfermo se expone a estímulos específicos. Georgescu espera que esto proporcione el tipo de aprendizaje por refuerzo que producirá modelos de IA capaces de entender la biología humana con suficiente profundidad para hacer avances significativos en salud.

El contexto económico es urgente. Desde la década de 1950, el costo de desarrollar nuevos fármacos se ha duplicado aproximadamente cada nueve años —un fenómeno conocido como Eroom's Law. Hoy, llevar un fármaco al mercado toma entre 10 y 15 años y cuesta entre USD 1.000 millones y USD 2.500 millones, con tasas de fracaso superiores al 90%.

La falta de datos negativos es otro obstáculo estructural. Como señala Paul Belcher de Cytiva en MIT Technology Review, los conjuntos de datos públicos y publicaciones científicas se enfocan exclusivamente en resultados positivos. "Nadie quiere compartir sus fracasos. Este sesgo es casi como tener una mano atada detrás de la espalda".

Qué significa esto para tu startup en biotech

Si estás construyendo una herramienta de IA para el sector salud o considerando entrar al espacio de drug discovery, hay varias señales claras que debes considerar:

1. El valor real está en cerrar el ciclo de datos. Las startups que solo hacen predicción computacional están llegando a rendimientos decrecientes porque todos compiten por los mismos datos públicos. El diferencial competitivo ya no es el algoritmo —es la capacidad de generar datos únicos, estructurados y causales desde el laboratorio físico. Si tu startup puede cerrar el loop entre predicción, experimentación y retroalimentación al modelo, tienes una ventaja sostenible.

2. La interoperabilidad técnica es obligatoria, no opcional. Los laboratorios modernos necesitan sistemas integrados que permitan que los datos fluyan libremente entre instrumentos. Si tus herramientas operan en ecosistemas cerrados donde los usuarios no pueden extraer datos, no generan valor para modelos de IA. Diseña pensando en estándares FAIR (findable, accessible, interoperable, reusable) desde el día uno.

3. Los datos negativos son un activo subvalorado. Publicar o compartir resultados negativos no es solo ética científica —es estrategia de negocio. Los modelos que ven fracasos aprenden a evitarlos. Si tu plataforma puede capturar y estructurar datos de experimentos fallidos, estarás ofreciendo algo que ningún competidor con enfoque en resultados positivos puede igualar.

4. La regulación será tu mayor barrera de entrada. Ningún fármaco diseñado completamente por IA ha llegado a la aprobación total de la FDA. Las empresas que integren laboratorios físicos con IA deben navegar marcos regulatorios complejos. Invierte temprano en compliance y relaciones con agencias reguladoras —no es un problema técnico, es un problema de gobernanza.

5. El modelo de negocio B2B farmacéutico es lento pero profundo. Vivodyne levanta menos de USD 80 millones en dos rondas lideradas por Khosla Ventures y trabaja con múltiples grandes farmacéuticas sin revelar nombres. Si tu audiencia son empresas establecidas, prepara ciclos de venta largos (12-18 meses), contratos multi-año y métricas de ROI basadas en reducción de costos de ensayos clínicos, no en promesas de velocidad.

La carrera por la causalidad en biología

Georgescu cree que establecer causalidad en biología humana será fundamental no solo para los desafíos médicos actuales, sino también para un futuro donde enfermedades complejas requieran fármacos que, a diferencia de la mayoría de los disponibles hoy, apunten múltiples vías simultáneamente.

"Si queremos terapias combinadas, el espacio que hay que buscar se expande exponencialmente —no puede ser un enfoque experimental", dice. "Tienes que decir: 'quiero este efecto, así que qué causa debo invocar'. Establecer causalidad en biología humana es la base de todo esto".

Isomorphic Labs, fundada para construir sobre el premio Nobel AlphaFold, esperaba originalmente sus primeros ensayos para finales de 2025. Ahora, según reportó la compañía en febrero, espera comenzar sus primeras pruebas a finales de 2026. La misma empresa reconoció que el descubrimiento verdadero de fármacos requerirá "modelos predictivos altamente precisos, a través de un rango expansivo de propiedades e interacciones bioquímicas".

El mensaje es claro: la IA por sí sola no resolverá el problema. Necesita datos que solo la experimentación física rigurosa puede proporcionar. Las startups que logren cerrar ese ciclo —predicción computacional → experimentación física → retroalimentación al modelo— serán las que realmente transformen el sector.

Fuentes

• TechCrunch
• MIT Technology Review