Los modelos de IA avanzados reconstruyen estructuras moleculares complejas con alta precisión, pero predecir cómo se comportan los posibles compuestos de un fármaco sigue siendo difícil. Así lo muestra un nuevo benchmark de química medicinal presentado por OpenAI, informó Interesting Engineering.
La evaluación se llama MedChemBench y prueba si los modelos pueden conectar estructuras moleculares con evidencia experimental para explicar resultados de investigación, comparar compuestos y predecir sus propiedades.
El benchmark se basa en 117 artículos y patentes publicados, e incluye 761 estructuras moleculares distintas repartidas en 99 problemas.
Con el nivel de razonamiento xhigh, GPT-6 Astra obtuvo el 95,4% del puntaje disponible en la reconstrucción de estructuras moleculares. En cambio, logró cerca de la mitad del puntaje al seleccionar compuestos y predecir sus propiedades numéricas.
Los resultados muestran una brecha entre identificar bien una estructura química y entender cómo los cambios en esa estructura influyen en el comportamiento de un posible fármaco.
¿Qué evalúa MedChemBench?
Los químicos medicinales equilibran de forma rutinaria propiedades que compiten entre sí cuando desarrollan candidatos a fármaco. Un compuesto puede bloquear con eficacia una proteína ligada a una enfermedad y aun así absorberse mal en el cuerpo, o degradarse demasiado rápido.
Mejorar una característica también puede debilitar otra, y eso hace difícil encontrar compuestos que cumplan varios requisitos a la vez.
MedChemBench evalúa cuatro capacidades:
- reconstrucción de estructuras moleculares
- razonamiento científico
- clasificación y selección de compuestos
- predicción de propiedades numéricas
El caso de los inhibidores de PRMT5
Uno de los problemas se basa en investigación sobre inhibidores de PRMT5, una proteína que se estudia en el desarrollo de fármacos contra el cáncer.
Los modelos reciben estructuras moleculares y resultados experimentales de etapas anteriores de la investigación. Tienen que predecir cómo se comportarán tres compuestos relacionados en tres aspectos. Son la inhibición de PRMT5 dentro de las células, la permeabilidad a través de una barrera celular y la degradación por enzimas del hígado.
Los resultados experimentales posteriores, que los modelos no vieron, revelaron ventajas cruzadas. El compuesto 23 inhibió PRMT5 a una concentración más baja, mientras que el compuesto 24 atravesó la barrera celular con más facilidad y se degradó más lento en el ensayo de laboratorio.
La tarea mide si los modelos reconocen que una actividad más fuerte contra un objetivo biológico no se traduce necesariamente en mejor absorción o estabilidad metabólica.
¿Por qué importa dibujar bien la molécula?
El benchmark también examina si los modelos pueden reconstruir moléculas con precisión a partir de dibujos químicos, incluidas las conexiones entre átomos, las estructuras de anillo y la estereoquímica.
En un ejemplo, se pidió a los modelos armar un compuesto conservando un anillo de 18 átomos.
GPT-6 Astra reconstruyó la estructura correctamente en las 10 respuestas, con el nivel de razonamiento más alto que compartían los modelos evaluados. GPT-5.6 Sol, en cambio, produjo un anillo más chico, de 15 átomos, y GPT-5.6 Luna generó fragmentos moleculares desconectados.
Errores así pueden cambiar la identidad del compuesto que se analiza, y arruinan las predicciones posteriores sobre sus propiedades.
Pese a su buen desempeño estructural, GPT-6 Astra tuvo más problemas con la selección de compuestos y las predicciones numéricas. Esas tareas exigen relacionar cambios moleculares con varias mediciones experimentales, no solo reproducir una estructura química.
Las advertencias de los investigadores
Los investigadores evaluaron 11 modelos con distintos niveles de razonamiento. Un mayor esfuerzo de razonamiento mejoró en general el desempeño, aunque se mantuvieron diferencias grandes entre modelos.
El equipo advirtió que los resultados no establecen si los modelos pueden descubrir fármacos nuevos o mejorar las decisiones de laboratorio. El benchmark se apoya en investigación histórica, y no se puede descartar que los modelos hayan visto antes las fuentes publicadas. Además, los modelos resolvieron las tareas sin herramientas, sin retroalimentación y sin experimentos nuevos.
Por eso MedChemBench es una forma de medir el avance y las debilidades del razonamiento computacional en química medicinal, no una demostración de que estos sistemas estén listos para reemplazar la investigación de fármacos.




