El descubrimiento de fármacos es uno de los procesos más complejos y costosos de la industria farmacéutica. La necesidad de optimizar múltiples parámetros simultáneamente —como la eficacia, la toxicidad, la biodisponibilidad y la estabilidad— ha impulsado la adopción de modelos de machine learning (ML) que asisten a los científicos en cada etapa del ciclo Design-Make-Test-Analyze. Sin embargo, gestionar estos modelos en producción no es trivial. Las plataformas tradicionales de Machine Learning Operations (MLOps) están diseñadas para entornos genéricos y no cubren las particularidades del dominio farmacéutico: la composición de múltiples modelos en tiempo de inferencia para la optimización multiobjetivo, el versionado de modelos basados en física que no generan artefactos serializados, la precomputación de librerías compuestas empresariales y una gobernanza estructurada por unidades científicas en lugar de controles de acceso genéricos.
En este contexto, Eli Lilly ha desarrollado y puesto en producción el Model Gateway, una plataforma cloud que centraliza la gestión de modelos de ML y modelos científico-computacionales a lo largo de los pipelines de descubrimiento de fármacos. En producción, el sistema gobierna más de 200 modelos desplegados que abarcan modalidades de moléculas pequeñas, péptidos y anticuerpos, sirviendo a más de cinco aplicaciones downstream en todas las fases del ciclo. El Model Gateway proporciona control de versiones centralizado, gobernanza adaptada a la estructura farmacéutica, ejecución asíncrona, orquestación de modelos de consenso, reentrenamiento automatizado y una API unificada para clientes heterogéneos, desde suites de diseño molecular hasta agentes de Large Language Model (LLM).
Esta arquitectura resuelve problemas críticos que ninguna plataforma comercial o de código abierto aborda de forma simultánea. Por ejemplo, la capacidad de componer varios modelos en tiempo de inferencia permite a los químicos computacionales evaluar simultáneamente cientos de propiedades, acelerando la selección de candidatos. El versionado especializado para modelos físicos —que carecen de artefactos ML serializados— garantiza la reproducibilidad de simulaciones de dinámica molecular o docking. Además, la gobernanza estructurada por unidades organizativas científicas (equipos de química medicinal, biología estructural, DMPK, etc.) facilita la colaboración y el cumplimiento normativo sin los sobrecostes de administrar sistemas de control de acceso orientados a roles genéricos.
La implementación de una plataforma de estas características requiere un profundo conocimiento tanto del dominio farmacéutico como de las tecnologías cloud y de inteligencia artificial. Aquí es donde empresas como Q2BSTUDIO aportan un valor diferencial. Con una sólida experiencia en el desarrollo de aplicaciones basadas en IA y en la construcción de infraestructuras cloud escalables, Q2BSTUDIO ayuda a organizaciones de todo tipo a diseñar e implantar sistemas de gestión de modelos que cumplen con los requisitos más exigentes. La compañía ofrece aplicaciones a medida que integran modelos de machine learning, servicios de cloud AWS/Azure, soluciones de ciberseguridad para proteger datos sensibles de investigación y herramientas de BI/Power BI que visualizan métricas de rendimiento de modelos y resultados de experimentos.
Uno de los aspectos más innovadores del Model Gateway es la orquestación de modelos de consenso. En lugar de confiar en un único modelo predictivo, la plataforma ejecuta múltiples modelos entrenados con diferentes enfoques (redes neuronales, bosques aleatorios, modelos basados en física) y combina sus predicciones mediante estrategias de votación o promediado ponderado. Esto reduce el sesgo y mejora la robustez de las predicciones, un factor crítico cuando se decide qué compuesto sintetizar y probar. La ejecución asíncrona permite lanzar estas evaluaciones en paralelo sobre infraestructura cloud elástica, optimizando costes y tiempos de respuesta. El reentrenamiento automatizado, por su parte, garantiza que los modelos se actualicen periódicamente con nuevos datos experimentales, manteniendo su precisión a lo largo del tiempo.
Otro pilar fundamental es la API unificada. Tanto las suites de diseño molecular (como Schrödinger o MOE) como los agentes de LLM (que cada vez se usan más para generar hipótesis o planificar síntesis) pueden consumir los mismos servicios de inferencia sin necesidad de adaptaciones complejas. Esto democratiza el acceso a los modelos y fomenta la colaboración entre equipos multidisciplinares. Además, la gobernanza estructurada por unidades científicas permite que cada equipo gestione sus propios modelos, versiones y permisos dentro de un marco corporativo coherente, facilitando auditorías y cumplimiento de normativas como GxP o 21 CFR Part 11.
Desde la perspectiva de la ciberseguridad, trabajar con datos de investigación farmacéutica implica proteger información altamente sensible sobre compuestos, dianas terapéuticas y resultados de ensayos. Q2BSTUDIO integra servicios cloud en AWS y Azure con mecanismos de cifrado, gestión de identidades y control de accesos basado en políticas, asegurando que solo los usuarios autorizados puedan acceder a los modelos y datos. Además, las soluciones de ciberseguridad de Q2BSTUDIO incluyen pentesting continuo y monitorización de amenazas, protegiendo la propiedad intelectual de la compañía farmacéutica.
El business intelligence también juega un papel relevante. Los pipelines de descubrimiento generan enormes volúmenes de datos: resultados de screening, propiedades calculadas, métricas de rendimiento de modelos, etc. Con herramientas de BI como Power BI, Q2BSTUDIO desarrolla cuadros de mando que permiten a los científicos y gestores visualizar tendencias, identificar cuellos de botella y tomar decisiones basadas en datos. Por ejemplo, un dashboard puede mostrar la tasa de acierto de los modelos en diferentes fases del ciclo, facilitando la priorización de recursos.
En definitiva, el Model Gateway representa un avance significativo en la gestión de modelos para descubrimiento de fármacos, pero su éxito depende de una arquitectura robusta y personalizada. Empresas como Q2BSTUDIO, especializadas en desarrollo de software a medida, inteligencia artificial, cloud, ciberseguridad y BI, son el socio ideal para implementar soluciones similares en cualquier organización que busque acelerar la innovación científica manteniendo el control y la seguridad. La convergencia de modelos de machine learning, agentes de IA generativa y plataformas cloud está redefiniendo la forma en que se descubre y desarrollan nuevos medicamentos, y contar con la infraestructura adecuada marca la diferencia entre liderar o seguir en este campo tan competitivo.
