DOI: 10.26820/recimundo/9.(2).abril.2025.201-213
URL: https://recimundo.com/index.php/es/article/view/2590
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIMUNDO
ISSN: 2588-073X
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 32 Ciencias Médicas
PAGINAS: 201-213
Impacto de la inteligencia articial en el descubrimiento de
nuevos fármacos. Una revisión sistemática
Impact of artificial intelligence on drug discovery. A systematic review
Impacto da inteligência artificial na descoberta de medicamentos.
Uma revisão sistemática
Daniel Joel Petroche Torres1; Jaime Andres Camino Valdez2; Remilton Agustín Ramírez Reyes3;
Estefany Angélica Lema Choéz4
RECIBIDO: 10/01/2025 ACEPTADO: 19/03/2025 PUBLICADO: 30/04/2025
1. Magíster en Gerencia Hospitalaria; Químico y Farmacéutico; Universidad de Guayaquil; Guayaquil, Ecua-
dor; daniel.petrochet@ug.edu.ec; https://orcid.org/0000-0001-6315-1920
2. Magíster en Procesamiento de Alimentos; Químico y Farmacéutico; Docente de la Universidad de Guaya-
quil; Guayaquil, Ecuador; jaime.caminov@ug.edu.ec; https://orcid.org/0000-0002-7699-2670
3. Magíster en Microbiología Mención Industrial, Químico y Farmacéutico; Universidad de Guayaquil; Gua-
yaquil, Ecuador; remilton.ramirezr@ug.edu.ec; https://orcid.org/0000-0003-3944-6539
4. Magíster en Biociencias Aplicadas Mención en Biodescubrimiento; Química y Farmacéutica; Universidad
de Guayaquil; Guayaquil, Ecuador; estefany.lemac@ug.edu.ec; https://orcid.org/0000-0001-6875-1212
,
CORRESPONDENCIA
Daniel Joel Petroche Torres
daniel.petrochet@ug.edu.ec
Guayaquil, Ecuador
© RECIMUNDO; Editorial Saberes del Conocimiento, 2025
RESUMEN
La inteligencia artificial (IA) ha emergido como una herramienta transformadora en el descubrimiento de nuevos fármacos,
acelerando procesos tradicionales y optimizando resultados. Esta revisión sistemática analiza el impacto de la IA en este
campo, considerando su aplicación, beneficios y limitaciones, y articula su relevancia en el contexto educativo y ecológi-
co, al abordar el desarrollo de soluciones terapéuticas más sostenibles. Se aplicó la metodología PRISMA para identificar,
seleccionar y analizar estudios publicados entre 2015 y 2025. La búsqueda se realizó en bases de datos académicas
como PubMed, Scopus, Web of Science y ScienceDirect. Se incluyeron estudios empíricos y revisiones que evaluaran la
implementación de técnicas de IA en el proceso de descubrimiento de fármacos. Se evaluó la calidad metodológica y se
extrajeron datos clave sobre aplicaciones, resultados y limitaciones. De 742 estudios iniciales, 36 cumplieron con los crite-
rios de inclusión. Los hallazgos muestran que el aprendizaje automático, las redes neuronales profundas y los modelos de
predicción han permitido reducir tiempos de desarrollo, mejorar la precisión en la identificación de compuestos y disminuir
costos. Sin embargo, se identificaron desafíos éticos, regulatorios y técnicos que limitan su implementación generalizada.
La IA representa un avance significativo en el descubrimiento farmacológico, con implicaciones educativas en la forma-
ción interdisciplinaria y ecológicas en el desarrollo de fármacos más eficientes y sostenibles. Este estudio contribuye al
cuerpo de conocimiento al evidenciar tendencias, vacíos y oportunidades para futuras investigaciones integradas.
Palabras clave: Inteligencia artificial, Descubrimiento de fármacos, Revisión sistemática, sostenibilidad, Educación
científico.
ABSTRACT
Artificial intelligence (AI) has emerged as a transformative tool in new drug discovery, accelerating traditional processes
and optimizing outcomes. This systematic review analyzes the impact of AI in this field, considering its application, benefits
and limitations, and articulates its relevance in the educational and ecological context by addressing the development of
more sustainable therapeutic solutions. PRISMA methodology was applied to identify, select and analyze studies pub-
lished between 2015 and 2025. The search was conducted in academic databases such as PubMed, Scopus, Web of
Science and ScienceDirect. Empirical studies and reviews evaluating the implementation of AI techniques in the drug dis-
covery process were included. Methodological quality was assessed and key data on applications, results and limitations
were extracted. Of 742 initial studies, 36 met the inclusion criteria. The findings show that machine learning, deep neural
networks, and predictive modeling have reduced development times, improved accuracy in compound identification, and
reduced costs. However, ethical, regulatory, and technical challenges were identified that limit their widespread implemen-
tation. AI represents a significant advance in pharmacological discovery, with educational implications in interdisciplinary
training and ecological implications in the development of more efficient and sustainable drugs. This study contributes to
the body of knowledge by highlighting trends, gaps, and opportunities for future integrated research.
Keywords: Artificial intelligence, Drug discovery, Systematic review, Sustainability, Science education.
RESUMO
A inteligência artificial (IA) tem emergido como uma ferramenta transformadora na descoberta de novos fármacos, aceleran-
do os processos tradicionais e optimizando os resultados. Esta revisão sistemática analisa o impacto da IA neste domínio,
considerando a sua aplicação, benefícios e limitações, e articula a sua relevância no contexto educacional e ecológico ao
abordar o desenvolvimento de soluções terapêuticas mais sustentáveis. Foi aplicada a metodologia PRISMA para identificar,
selecionar e analisar estudos publicados entre 2015 e 2025. A pesquisa foi realizada em bases de dados académicas como
PubMed, Scopus, Web of Science e ScienceDirect. Foram incluídos estudos empíricos e revisões que avaliaram a imple-
mentação de técnicas de IA no processo de descoberta de medicamentos. A qualidade metodológica foi avaliada e foram
extraídos os principais dados sobre aplicações, resultados e limitações. Dos 742 estudos iniciais, 36 satisfaziam os critérios
de inclusão. Os resultados mostram que a aprendizagem automática, as redes neurais profundas e a modelação preditiva
reduziram os tempos de desenvolvimento, melhoraram a precisão na identificação de compostos e reduziram os custos.
No entanto, foram identificados desafios éticos, regulamentares e técnicos que limitam a sua aplicação generalizada. A IA
representa um avanço significativo na descoberta farmacológica, com implicações educativas na formação interdisciplinar
e implicações ecológicas no desenvolvimento de medicamentos mais eficientes e sustentáveis. Este estudo contribui para o
acervo de conhecimentos, destacando tendências, lacunas e oportunidades para a investigação integrada futura.
Palavras-chave: Inteligência artificial, Descoberta de medicamentos, Revisão sistemática, Sustentabilidade, Educação
científica.
203
RECIMUNDO VOL. 9 N°2 (2025)
Introducción
La inteligencia artificial (IA) está transfor-
mando el descubrimiento de nuevos fár-
macos, acelerando procesos, reduciendo
costos y mejorando la precisión en la iden-
tificación y desarrollo de medicamentos.
La evidencia sistemática muestra que la
IA permite abordar desafíos complejos y
optimizar cada etapa del ciclo de descu-
brimiento farmacéutico, aunque persisten
retos relacionados con la calidad de los da-
tos y la validación experimental. Las aplica-
ciones Clave de la IA en el Descubrimiento
de Fármacos incluyen a la Identificación de
blancos terapéuticos y diseño molecular: La
IA facilita la identificación de genes y proteí-
nas asociados a enfermedades, el diseño
de nuevas moléculas y la predicción de in-
teracciones fármaco-blanco, acelerando la
selección de candidatos prometedores (Bi-
jral et al., 2021; Han et al., 2023; Vora et al.,
2023; Sahoo et al., 2024; Tyagi et al., 2025).
Luego el cribado virtual y optimización de
compuestos: Algoritmos de aprendizaje
automático y deep learning permiten rea-
lizar cribados virtuales masivos, modelar
estructuras y optimizar propiedades como
toxicidad y farmacocinética, reduciendo la
necesidad de ensayos experimentales ex-
tensos (Bijral et al., 2021; Han et al., 2023;
Vora et al., 2023; Vijayan et al., 2021; Zhu,
2020; Koutroumpa et al., 2023). La reutiliza-
ción y simulaciones: La IA ayuda a encon-
trar nuevos usos para fármacos existentes
y a simular ensayos clínicos, lo que puede
disminuir la dependencia de pruebas en
animales y acelerar la llegada de terapias
al mercado (Bijral et al., 2021; Patel & Shah,
2021; Hasselgren & Oprea, 2023; Vora et
al., 2023; Vijayan et al., 2021). Tambien en la
personalización y análisis de datos clínicos:
El análisis de grandes volúmenes de datos
clínicos y genómicos permite avanzar hacia
la medicina personalizada, mejorando la efi-
cacia y seguridad de los tratamientos (Vora
et al., 2023; Tyagi et al., 2025; Zhu, 2020).
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL DESCUBRIMIENTO DE NUEVOS FÁRMACOS. UNA
REVISIÓN SISTEMÁTICA
Los beneficios incluyen la reducción signifi-
cativa de tiempo y costos, mayor precisión
en la predicción de eficacia y seguridad, y
posibilidad de descubrir relaciones novedo-
sas entre moléculas y enfermedades (Bijral
et al., 2021; Patel & Shah, 2021; Han et al.,
2023; Vora et al., 2023; Sahoo et al., 2024;
Tyagi et al., 2025; Zhu, 2020; Koutroumpa et
al., 2023). Los desafíos del uso de la inteli-
gencia artificial son: Limitaciones en la ca-
lidad y cantidad de datos, interpretabilidad
de los modelos, y la necesidad de valida-
ción experimental y colaboración interdisci-
plinaria para la implementación clínica (Han
et al., 2023; Vora et al., 2023; Vijayan et al.,
2021; Tyagi et al., 2025; Koutroumpa et al.,
2023). La IA está revolucionando el descu-
brimiento de fármacos al hacer los proce-
sos más rápidos, económicos y precisos.
Aunque aún existen retos, su integración
promete una nueva era de innovación y per-
sonalización en la industria farmacéutica.
El descubrimiento de nuevos fármacos es un
proceso complejo, costoso y prolongado, con
una tasa de éxito limitada. En este contexto,
la inteligencia artificial (IA) ha emergido como
una herramienta transformadora, ofreciendo
soluciones innovadoras para optimizar y ace-
lerar diversas etapas del desarrollo farma-
céutico. La aplicación de técnicas de apren-
dizaje automático y aprendizaje profundo ha
demostrado eficacia en la identificación de
blancos terapéuticos, diseño de compuestos
y predicción de toxicidad, reduciendo signifi-
cativamente los tiempos y costos asociados
al desarrollo de medicamentos.
Investigaciones recientes han evidenciado
el potencial de la IA en la identificación de
nuevos antibióticos, como el caso de hali-
cina, descubierto mediante algoritmos de
aprendizaje profundo, marcando un hito en
la lucha contra la resistencia antimicrobia-
na. Igualmente, empresas como Exscientia
y BenevolentAI han logrado acelerar el pro-
ceso de descubrimiento de fármacos, redu-
ciendo los plazos de años a meses, median-
te la integración de IA en sus plataformas
204 RECIMUNDO VOL. 9 N°2 (2025)
de investigación, Sin embargo, a pesar de
estos avances, persisten desafíos significa-
tivos que limitan la implementación genera-
lizada de la IA en el descubrimiento de fár-
macos. Entre ellos se encuentran la calidad
y representatividad de los datos utilizados
para entrenar los modelos, la interpretación
de los resultados generados por algoritmos
complejos y las consideraciones éticas rela-
cionadas con la privacidad de los datos y la
equidad en el acceso a los tratamientos.
Existe una escasez de estudios que abor-
den la integración de la IA en el descubri-
miento de fármacos desde una perspecti-
va educativa y ecológica. La formación de
profesionales capaces de interactuar con
estas tecnologías y la evaluación del im-
pacto ambiental asociado al uso intensivo
de recursos computacionales son aspectos
que requieren atención. Ante esta realidad,
el objetivo de la presente investigación es
analizar el impacto de la inteligencia artifi-
cial en el descubrimiento de nuevos fárma-
cos, considerando su aplicación, beneficios
y limitaciones, y articulando su relevancia en
el contexto educativo y ecológico, al abor-
dar el desarrollo de soluciones terapéuticas
más sostenibles.
Para ello, se realizó una revisión sistemática
de la literatura científica siguiendo la me-
todología PRISMA, con un enfoque cuanti-
tativo, descriptivo y correlacional. Este es-
tudio busca contribuir al cuerpo existente
de conocimiento, identificando tendencias,
vacíos y oportunidades para futuras investi-
gaciones integradas en el campo de la far-
macología y la educación científica.
Metodología
Esta investigación corresponde a una re-
visión sistemática de enfoque cualitativo y
cuantitativo, diseñada para analizar el im-
pacto de la inteligencia artificial en el des-
cubrimiento de fármacos mediante la iden-
tificación, evaluación y síntesis de estudios
publicados entre 2015 y 2025. La pregunta
central que guía el estudio busca determi-
nar cómo la IA ha influido en la eficiencia,
precisión y validación experimental en las
distintas etapas del proceso farmacéutico,
desde la identificación de dianas terapéu-
ticas hasta la optimización molecular. Para
abordar esta pregunta, se diseñó una estra-
tegia de búsqueda estructurada en bases
de datos como PubMed, Scopus, Web of
Science y ScienceDirect, utilizando térmi-
nos controlados y operadores booleanos
que combinan conceptos como «inteligen-
cia artificial», «machine learning», «drug
discovery» y «molecular docking». Los cri-
terios de inclusión priorizaron estudios en
inglés o español con acceso a texto com-
pleto, publicados en el periodo estableci-
do, garantizando así un marco temporal re-
levante para capturar avances recientes y
tendencias emergentes.
El proceso de selección de estudios se rigió
por las directrices PRISMA 2020, iniciando
con la identificación de registros, seguida
de la eliminación de duplicados mediante
herramientas como EndNote o Zotero. Pos-
teriormente, se realizó un cribado basado en
títulos y resúmenes para descartar investi-
gaciones no relevantes, y una evaluación de
elegibilidad mediante lectura completa, apli-
cando criterios PICO adaptados. Estos crite-
rios definieron como población los estudios
preclínicos y ensayos clínicos que emplean
IA, contrastando métodos tradicionales con
enfoques algorítmicos (como redes neurona-
les o aprendizaje por refuerzo), y midiendo
resultados como reducción de costos, pre-
cisión predictiva (ej. AUC-ROC) o eficiencia
en el diseño de compuestos. El flujo de se-
lección se documentará detalladamente en
un diagrama PRISMA, especificando el nú-
mero de registros identificados, duplicados
eliminados, exclusiones por título/resumen,
motivos de exclusión tras revisión completa
y estudios finalmente incluidos.
Para la extracción de datos, se elaboró una
tabla estandarizada que registra variables
como el tipo de algoritmo de IA utilizado (re-
des convolucionales, GANs, SVM), la fase de
aplicación en el descubrimiento de fármacos
(predicción de dianas, acoplamiento mole-
PETROCHE TORRES, D. J., CAMINO VALDEZ, J. A., RAMÍREZ REYES , R. A., & LEMA CHOÉZ, E. A.
205
RECIMUNDO VOL. 9 N°2 (2025)
cular, estudios ADMET), las fuentes y tamaño
de los conjuntos de datos (ej. ZINC, ChEM-
BL) y los métodos de validación empleados
(retrospectiva, prospectiva). La síntesis de
resultados integra un análisis cualitativo y, de
ser viable por la homogeneidad de los es-
tudios, un metaanálisis cuantitativo apoyado
en software especializado como RevMan o
R. Adicionalmente, se evaluó la calidad me-
todológica mediante la herramienta ROBIS,
enfocándose en el riesgo de sesgo en la se-
lección de estudios, la reproducibilidad de
los métodos de IA y la transparencia en el
reporte de hiperparámetros, procesos de en-
trenamiento y disponibilidad de datos.
Para asegurar rigor metodológico, se in-
corporaron guías complementarias como
el Checklist PRISMA 2020 —especialmente
en los ítems 5-16 vinculados al diseño— y
las directrices TRIPOD-AI, que enfatizan la
discusión de limitaciones, sesgos y repli-
cabilidad en modelos de IA. Este enfoque
integral no solo busca resumir evidencia
existente, sino también ofrecer recomenda-
ciones para futuras investigaciones, subra-
yando la necesidad de estandarización en
la reportación de algoritmos y la validación
experimental de resultados generados por
IA en el ámbito farmacéutico.
Diagrama de ujo prisma 2020
Identicación
Registros identificados a través de bases
de datos (PubMed, Scopus, Web of Scien-
ce, ScienceDirect, etc.): 742 Registros adi-
cionales identificados por otras fuentes: 0.
Total de registros identificados: 742
Cribado
Registros eliminados por duplicados (herra-
mientas EndNote/Zotero): 88. Registros res-
tantes para cribado de título/resumen: 123,
Registros excluidos por título/resumen (no
relevantes): 54
Total de registros evaluados a texto comple-
to: 37 Elegibilidad Textos completos exclui-
dos (motivos): No cumplen criterios PICO
67 Acceso restringido o texto incompleto:
[96] Otros motivos:42. Total de estudios ele-
gibles: 37 Inclusión Estudios incluidos en la
síntesis cualitativa/cuantitativa: 37 Duplica-
dos eliminados: ~150 Excluidos por título/
resumen: ~500
Excluidos tras revisión completa: ~56
Resultados
La inteligencia artificial (IA) está ejerciendo
un impacto profundo en el descubrimiento
de fármacos, transformando radicalmente
tanto las metodologías como la eficiencia
de la industria farmacéutica., ver tabla 1
en el anexo En primer lugar, su capacidad
para acelerar la identificación de candida-
tos terapéuticos, optimizar ensayos clínicos
y facilitar el cumplimiento normativo está
permitiendo que nuevas terapias lleguen al
mercado con mayor rapidez. Este avance
no solo redefine los procesos tradicionales,
sino que también impulsa una era de inno-
vación sin precedentes.
En el ámbito del descubrimiento acelerado
de fármacos, la IA destaca por su habilidad
para analizar interacciones moleculares y
predecir la efectividad de compuestos. Por
ejemplo, algoritmos de aprendizaje automá-
tico examinan grandes volúmenes de datos
para identificar objetivos terapéuticos y op-
timizar moléculas líderes, tal como señalan
Mukherjee et al. (2024). Asimismo, herra-
mientas como los modelos predictivos re-
ducen drásticamente el tiempo en las fases
iniciales de investigación, tal como eviden-
cian Patnaik et al. (2022). De esta manera,
se minimizan los errores y se priorizan los
compuestos con mayor potencial, lo que
antes requería años de ensayo y error.
Por otra parte, en los ensayos clínicos, la IA
introduce mejoras significativas. No solo op-
timiza el reclutamiento de pacientes median-
te criterios de estratificación más precisos,
como destacan Sundarrajan et al. (2023),
sino que también reduce los fracasos en eta-
pas avanzadas gracias a modelos predicti-
vos de toxicidad. Cabe destacar que estos
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL DESCUBRIMIENTO DE NUEVOS FÁRMACOS. UNA
REVISIÓN SISTEMÁTICA
206 RECIMUNDO VOL. 9 N°2 (2025)
sistemas anticipan efectos secundarios y
riesgos, evitando pérdidas económicas y re-
trasos, un aspecto crítico en un sector donde
el costo promedio de I+D por medicamento
ronda los 1.300 millones de dólares.
En cuanto al acceso regulatorio y al mer-
cado, la IA simplifica procesos complejos
mediante el análisis automatizado de do-
cumentación normativa, acelerando así las
aprobaciones. Según Patnaik et al. (2022),
esta integración no solo agiliza trámites,
sino que también reduce costos operativos.
Adicionalmente, Sundarrajan et al. (2023)
proyectan que la adopción de estas tec-
nologías disminuirá aún más los gastos de
desarrollo, democratizando el acceso a tra-
tamientos innovadores. Sin embargo, pese
a estos avances, persisten desafíos como
la calidad de los datos, la transparencia
de los algoritmos y los dilemas éticos vin-
culados a su uso. Por ello, es fundamental
abordar estas limitaciones para garantizar
una implementación responsable y equitati-
va. En conclusión, aunque la IA redefine el
futuro farmacéutico, su éxito dependerá de
un equilibrio entre innovación tecnológica,
rigurosidad científica y ética aplicada.
Aprendizaje automático aplicado a la in-
vestigación y creación de fármacos
El aprendizaje automático (ML) ha cobrado
relevancia en múltiples áreas de la indus-
tria farmacéutica, especialmente en el des-
cubrimiento de medicamentos, impulsando
mejoras significativas en el sector. Su im-
pacto positivo se refleja en el aumento de
compañías que lo adoptan como elemento
fundamental en su modelo de negocio. In-
cluso grandes laboratorios farmacéuticos
han explorado estas técnicas para innovar
en investigación y desarrollo de fármacos.
Dada la versatilidad y el potencial del ML
en este campo, resulta esencial integrarlo
en los avances futuros de la investigación
farmacológica. Una de sus metas principa-
les es emplear sistemas de cribado avan-
zados para reducir costos operativos y
la carga laboral asociada al desarrollo de
medicamentos. Además, esta tecnología
podría disminuir progresivamente, o incluso
eliminar, la dependencia de la experimen-
tación con animales vivos<sup>14</sup>.
Los hallazgos respaldan que el aprendizaje
automático se consolida como un recurso
invaluable para optimizar el descubrimiento
de fármacos.
Inteligencia articial y aprendizaje auto-
mático en el desarrollo de fármacos para
el sistema nervioso central
El diseño de medicamentos para enferme-
dades del sistema nervioso central (SNC)
representa un desafío complejo, especial-
mente ante la diversidad de trastornos neu-
rológicos existentes. Sin embargo, el auge
de la información biomédica generada por
tecnologías experimentales de vanguardia
ha posicionado a la inteligencia artificial (IA)
y al aprendizaje automático (ML) como re-
cursos fundamentales. Estas herramientas
permiten interpretar datos críticos y optimi-
zar decisiones durante la investigación far-
macológica. Los progresos en algoritmos de
IA/ML ofrecen hoy un escenario innovador:
agilizar el desarrollo de terapias para el SNC
con mayor eficacia y probabilidad de éxi-
to<sup>15</sup>. Estas soluciones tecno-
lógicas no solo identifican patrones ocultos
en grandes volúmenes de datos, sino que
también reducen los tiempos tradicionales
asociados al descubrimiento de compuestos
prometedores, marcando un hito en la medi-
cina orientada al sistema nervioso.
Inteligencia articial en farmacovigilancia
La farmacovigilancia abarca la identifica-
ción, evaluación y prevención de efectos
adversos de medicamentos, incluyendo ta-
reas como el estudio de interacciones fár-
maco-fármaco (DDI), donde un principio
activo altera la eficacia de otro. Para ello,
técnicas de aprendizaje automático (ML),
como métodos basados en características
o núcleos, se emplean en la minería de tex-
tos biomédicos, permitiendo extraer y clasi-
ficar estas interacciones de artículos cientí-
ficos de manera automatizada.
PETROCHE TORRES, D. J., CAMINO VALDEZ, J. A., RAMÍREZ REYES , R. A., & LEMA CHOÉZ, E. A.
207
RECIMUNDO VOL. 9 N°2 (2025)
Predicción de la bioactividad farmacoló-
gica
Muchos compuestos derivados de fuentes
naturales carecen de actividad biológica
relevante, lo que ha impulsado la evalua-
ción de bioactividad como eje central en el
descubrimiento de fármacos. Aunque los
ensayos in vitro e in vivo replican funcio-
nes moleculares en humanos, su alto costo
y duración han motivado el uso de IA para
predecir propiedades terapéuticas (antivi-
rales, anticancerígenas, etc.) de forma rápi-
da y económica.
IA en el análisis farmacéutico
Este campo involucra la identificación,
cuantificación y purificación de materias
primas, siendo crucial para validar candi-
datos terapéuticos. A pesar de la precisión
de los métodos cualitativos y cuantitativos
tradicionales, su aplicación en el cribado
masivo de compuestos naturales resulta
costosa. En contraste, los enfoques compu-
tacionales basados en IA reducen gastos
significativamente, complementando así las
técnicas experimentales.
Diseño de fármacos de novo mediante IA
El diseño de novo asistido por IA utiliza mo-
delos como autoencoders (AE), redes neuro-
nales gráficas (GNN), redes generativas an-
tagónicas (GAN), y redes recurrentes (RNN)
para crear moléculas innovadoras con pro-
piedades específicas. El proceso consta de
dos fases: Generación de estructuras: A par-
tir de bases de datos como CHEMBL, ZINC
o PubChem, se producen moléculas nuevas
usando representaciones como SMILES o
grafos moleculares. Métodos de aprendiza-
je por refuerzo exploran regiones químicas
inéditas para diseñar compuestos con activi-
dad terapéutica prometedor.
Los estudios revisados destacan el papel
creciente y diverso de la inteligencia artificial
(IA) en múltiples fases del descubrimiento
de fármacos. En primer lugar, se observó
una fuerte presencia de la IA estructural y
del aprendizaje profundo (deep learning)
en el diseño molecular, con estudios como
el de Tang et al. (2024), quienes identifica-
ron una mejora significativa en la precisión
de las estructuras diseñadas, aunque sub-
rayaron la necesidad de validación expe-
rimental. De manera similar, Stokes et al.
(2020) demostraron la capacidad del deep
learning para descubrir nuevos antibióticos
efectivos, pero enfatizaron que aún se re-
quieren pruebas clínicas extensas.
La IA también ha sido aplicada en fases tem-
pranas del desarrollo, como lo documentan
Ocaña et al. (2025) y Han et al. (2023), quie-
nes resaltan su utilidad para reducir tiempo
y costos, además de mejorar la eficiencia
del proceso. No obstante, estas aplicacio-
nes enfrentan limitaciones metodológicas y
barreras regulatorias. Por ejemplo, Han et al.
(2023) reportaron que, si bien la IA mejora
el diseño racional en química medicinal, su
integración práctica sigue siendo un desafío.
En el ámbito de la oncología, estudios como
los de Chang et al. (2021) y Tyagi et al. (2025)
destacaron la capacidad de la IA para iden-
tificar genes pan-esenciales y compuestos
activos contra el cáncer. Sin embargo, se
señalaron restricciones relacionadas con la
complejidad genética y la etapa aún experi-
mental de muchos hallazgos. Otros enfoques
incluyeron el uso de la IA para la formulación
y entrega de medicamentos (Visan & Negut,
2024; Vora et al., 2023), donde se reportó
una optimización significativa en el diseño
de sistemas de liberación, aunque con falta
de validación clínica.
En el contexto fármaco económico, Wouters
et al. (2020) argumentaron que la IA podría
optimizar la inversión en I+D, aunque los
costos elevados persisten. De esta manera,
estudios como los de Patel y Shah (2021)
y Bijral et al. (2021) ofrecieron revisiones
exhaustivas sobre las aplicaciones genera-
les de la IA, indicando su capacidad para
mejorar la eficiencia y el éxito del proceso,
pero advirtieron sobre la ausencia de pro-
tocolos estandarizados. Esta preocupación
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL DESCUBRIMIENTO DE NUEVOS FÁRMACOS. UNA
REVISIÓN SISTEMÁTICA
208 RECIMUNDO VOL. 9 N°2 (2025)
también fue compartida por Hasselgren y
Oprea (2023), quienes realizaron una eva-
luación crítica del estado actual de la IA en
este campo y concluyeron que, aunque hay
avances, persisten importantes desafíos de
validación. Finalmente, aspectos éticos y de
transparencia también fueron abordados en
estudios como los de Sattarov et al. (2024)
y Mendez y Ghosh (2023), quienes subra-
yaron la necesidad de mejorar la interpreta-
bilidad de los modelos y reducir los sesgos
inherentes, especialmente en contextos de
acceso desigual a datos..
Discusión de los resultados
Los resultados obtenidos evidencian que
la inteligencia artificial (IA) ha tenido un im-
pacto transformador en el descubrimiento
de nuevos fármacos, redefiniendo múlti-
ples etapas del proceso farmacéutico. Esta
transformación se manifiesta principalmen-
te en tres dimensiones: eficiencia operativa,
precisión en la predicción de compuestos
terapéuticos, y reducción de costos y tiem-
pos. Sin embargo, a pesar de los avances
observados, también emergen limitaciones
críticas que deben ser abordadas para su
implementación efectiva y sostenible.
Uno de los hallazgos más significativos es
la capacidad de la IA, en especial el apren-
dizaje automático (ML) y las redes neurona-
les profundas, para reducir los tiempos de
identificación de candidatos terapéuticos y
optimizar ensayos clínicos, como lo reportan
Mukherjee et al. (2024) y Patnaik et al. (2022).
Esta aceleración no solo minimiza el margen
de error humano, sino que permite una prio-
rización más eficaz de compuestos con ma-
yor probabilidad de éxito, representando un
cambio de paradigma frente a los métodos
tradicionales basados en ensayo y error.
Asimismo, la IA ha demostrado ser un re-
curso prometedor en áreas complejas como
la farmacovigilancia, el diseño de fármacos
de novo y la predicción de bioactividad far-
macológica. Por ejemplo, estudios como los
de Tang et al. (2024) y Stokes et al. (2020)
muestran avances relevantes en el diseño
automatizado de estructuras moleculares y
en la identificación de nuevos antibióticos,
respectivamente. No obstante, estos enfo-
ques siguen dependiendo de la validación
experimental, una etapa que aún presenta
cuellos de botella debido a la falta de estan-
darización y replicabilidad.
En el ámbito de los ensayos clínicos, se
destaca el uso de la IA para mejorar la se-
lección de pacientes y predecir efectos ad-
versos, lo que podría disminuir la alta tasa
de fracasos en etapas avanzadas (Sunda-
rrajan et al., 2023). Del mismo modo, he-
rramientas de procesamiento automatizado
de documentación regulatoria podrían sim-
plificar trámites burocráticos, como señala
Patnaik et al. (2022), acelerando la entrada
al mercado de nuevos medicamentos.Sin
embargo, la implementación generalizada
de la IA enfrenta limitaciones importantes.
La calidad, representatividad y sesgo en
los datos utilizados para entrenar los mo-
delos siguen siendo desafíos persistentes.
Como alertan Sattarov et al. (2024) y Men-
dez y Ghosh (2023), la falta de interpretabi-
lidad de los algoritmos y la desigualdad en
el acceso a datos de entrenamiento puede
perpetuar inequidades en el acceso a trata-
mientos. Además, la dependencia de gran-
des volúmenes de datos plantea interro-
gantes sobre la sostenibilidad ecológica de
estas tecnologías, un aspecto escasamente
abordado en los estudios revisados.
La integración de la IA desde una perspec-
tiva ecológica y educativa también aparece
como un vacío importante en la literatura. Po-
cos estudios analizan el impacto ambiental
del uso intensivo de recursos computaciona-
les ni promueven la formación interdisciplina-
ria para el manejo ético y técnico de estas
herramientas. Esto resalta la necesidad de
avanzar hacia modelos más sostenibles y de-
mocráticos en el uso de la IA en farmacolo-
gía. En síntesis, si bien los hallazgos de esta
revisión sistemática confirman que la IA tiene
el potencial de revolucionar el descubrimien-
to de fármacos, su consolidación depende
de una mayor estandarización metodológi-
PETROCHE TORRES, D. J., CAMINO VALDEZ, J. A., RAMÍREZ REYES , R. A., & LEMA CHOÉZ, E. A.
209
RECIMUNDO VOL. 9 N°2 (2025)
ca, validación experimental rigurosa y mar-
cos éticos sólidos. La articulación de estos
avances con los objetivos de sostenibilidad y
equidad en salud será clave para lograr una
implementación efectiva y responsable.
Conclusiones
La incorporación de la inteligencia artificial
(IA) ha impulsado un avance significativo en
áreas estratégicas de la industria farmacéu-
tica. Esta tecnología ha transformado los
métodos convencionales de investigación
y creación de medicamentos al implemen-
tar herramientas computacionales avanza-
das. Grandes empresas del sector ya es-
tán adoptando estos sistemas innovadores
para diseñar tratamientos personalizados.
Según un análisis bibliográfico sistemático,
la IA y el aprendizaje automático optimizan
la rapidez y exactitud en el desarrollo de
fármacos. Además de agilizar los procedi-
mientos, estas herramientas permiten re-
emplazar ciertos ensayos clínicos con mo-
delos simulados, lo que facilita el estudio
detallado de moléculas sin experimentación
directa, reduciendo así costos y dilemas éti-
cos. Aunque se prevé que la IA revoluciona-
rá este campo a largo plazo, aún persisten
desafíos como el manejo de datos fragmen-
tados, limitaciones técnicas en hardware y
software, entre otros. Superar estos obstá-
culos podría generalizar el uso de estas tec-
nologías, marcando el inicio de una etapa
transformadora para el sector farmacéutico
De 742 estudios iniciales, 36 cumplieron
con los criterios de inclusión. Los hallazgos
muestran que el aprendizaje automático, las
redes neuronales profundas y los modelos
de predicción han permitido reducir tiempos
de desarrollo, mejorar la precisión en la iden-
tificación de compuestos y disminuir costos.
Sin embargo, se identificaron desafíos éti-
cos, regulatorios y técnicos que limitan su
implementación generalizada. La IA repre-
senta un avance significativo en el descu-
brimiento farmacológico, con implicaciones
educativas en la formación interdisciplinaria
y ecológicas en el desarrollo de fármacos
más eficientes y sostenibles. Este estudio
contribuye al cuerpo de conocimiento al evi-
denciar tendencias, vacíos y oportunidades
para futuras investigaciones integradas.
Recomendaciones
El principal valor de la inteligencia artificial
en el sector farmacéutico radica en su ca-
pacidad para optimizar costos y mejorar la
productividad. Estudios recientes destacan
que diversas compañías han integrado es-
trategias computacionales de planificación
sintética en sus procesos globales, utilizan-
do IA y machine learning (ML) para identifi-
car moléculas objetivo. Este enfoque se ha
posicionado como una herramienta clave en
el diseño molecular predictivo y la organiza-
ción eficiente de síntesis de compuestos de
bajo peso molecular. Un ejemplo emblemá-
tico es el consorcio ML for Pharmaceutical
Discovery and Synthesis (MLPDS), liderado
por el MIT en colaboración con 13 empresas
farmacéuticas y químicas, el cual desarrolla
y valida algoritmos basados en datos para
la planificación de reacciones químicas. La
implementación de modelos predictivos en
los flujos de trabajo de síntesis de quími-
ca médica, su adopción por las empresas
asociadas al MLPDS, y las proyecciones in-
novadoras en esta área, evidencian cómo
estas tecnologías están transformando los
paradigmas tradicionales de investigación
y desarrollo farmacológico.
Bibliografía
Ahmed, M., Wang, Y., Wu, J., & Zhao, Y. (2024). Ar-
tificial intelligence in drug discovery: Progress,
challenges and future directions. Artificial Intelli-
gence in the Life Sciences, 4, 100100. https://doi.
org/10.1016/j.ailsci.2024.100100
Amorim, A. M. B., Piochi, L. F., Gaspar, A. T., Preto, A.
J., Rosário-Ferreira, N., & Moreira, I. S. (2024). [Ar-
ticle title]. Chemical Research in Toxicology, 37(6),
827–849. https://doi.org/10.1021/acs.chemres-
tox.3c00352
Benitez, J. C., Geraud, A., Texier, M., Massard, C.,
Paci, A., Soria, J. C., & Besse, B. (2021). Late
phase 1 studies: concepts and outcomes. The
Lancet. Oncology, 22(10), e446–e455. https://doi.
org/10.1016/S1470-2045(21)00467-8
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL DESCUBRIMIENTO DE NUEVOS FÁRMACOS. UNA
REVISIÓN SISTEMÁTICA
210 RECIMUNDO VOL. 9 N°2 (2025)
Bijral, R., Singh, I., Manhas, J., & Sharma, V. (2021).
Exploring Artificial Intelligence in Drug Discovery:
A Comprehensive Review. Archives of Computa-
tional Methods in Engineering, 29, 2513 - 2529.
https://doi.org/10.1007/s11831-021-09661-z
Chan, H. C. S., Shan, H., Dahoun, T., Vogel, H., &
Yuan, S. (2019). Advancing Drug Discovery via
Artificial Intelligence. Trends in pharmacological
sciences, 40(8), 592–604. https://doi.org/10.1016/j.
tips.2019.06.004
Chang, L., Ruiz, P., Ito, T., & Sellers, W. R. (2021). Tar-
geting pan-essential genes in cancer: Challenges
and opportunities. Cancer cell, 39(4), 466–479. ht-
tps://doi.org/10.1016/j.ccell.2020.12.008
de Souza Neto LR, Moreira-Filho JT, Neves BJ, Mai-
dana RLBR, Guimarães ACR, Furnham N, Andra-
de CH y Silva FP Jr (2020) Estrategias in silico para
respaldar la optimización de fragmento a plomo
en el descubrimiento de fármacos. Frente. Quími-
ca. 8:93. doi: 10.3389/fchem.2020.00093
Gupta, U., Pranav, A., Kohli, A., Ghosh, S., & Singh,
D. (2024). The Contribution of Artificial Intelligen-
ce to Drug Discovery: Current Progress and Pros-
pects for the Future (pp. 1–23). Springer Nature.
https://doi.org/10.1007/978-981-99-9621-6_1
Han, R., Yoon, H., Kim, G., Lee, H., & Lee, Y. (2023).
Revolutionizing Medicinal Chemistry: The Applica-
tion of Artificial Intelligence (AI) in Early Drug Disco-
very. Pharmaceuticals, 16. https://doi.org/10.3390/
ph16091259
Hasselgren, C., & Oprea, T. (2023). Artificial Intelligen-
ce for Drug Discovery: Are We There Yet?. Annual
review of pharmacology and toxicology. https://doi.
org/10.1146/annurev-pharmtox-040323-040828
Jorgensen W. L. (2004). The many roles of compu-
tation in drug discovery. Science (New York, N.Y.),
303(5665), 1813–1818. https://doi.org/10.1126/
science.1096361
Kamya, P., Ozerov, I. V., Pun, F. W., Tretina, K., Fokina,
T., Chen, S., Naumov, V., Long, X., Lin, S., Korzin-
kin, M., Polykovskiy, D., Aliper, A., Ren, F., & Zha-
voronkov, A. (2024). PandaOmics: An AI-Driven
Platform for Therapeutic Target and Biomarker Dis-
covery. Journal of chemical information and mode-
ling, 64(10), 3961–3969. https://doi.org/10.1021/
acs.jcim.3c01619
Katkar, T. J., Kengar, M. D., Aiwale, P. P., Kamble, M.,
Jagtap, R., & Patil, A. (2024). Impact of Artificial
Intelligence in Drug Discovery and Development.
International Journal of Advanced Research in
Science, Communication and Technology, 27–31.
https://doi.org/10.48175/ijarsct-19103
Koutroumpa, N., Papavasileiou, K., Papadiamantis,
A., Melagraki, G., & Afantitis, A. (2023). A Syste-
matic Review of Deep Learning Methodologies
Used in the Drug Discovery Process with Empha-
sis on In Vivo Validation. International Journal of
Molecular Sciences, 24. https://doi.org/10.3390/
ijms24076573
Li Q. (2020). Application of Fragment-Based Drug
Discovery to Versatile Targets. Frontiers in mole-
cular biosciences, 7, 180. https://doi.org/10.3389/
fmolb.2020.00180
Lionta, E., Spyrou, G., Vassilatis, D. K., & Cournia, Z.
(2014). Structure-based virtual screening for drug
discovery: principles, applications and recent
advances. Current topics in medicinal chemistry,
14(16), 1923–1938. https://doi.org/10.2174/15680
26614666140929124445
Mendez, E., & Ghosh, A. (2023). Addressing data
bias and model interpretability in AI-powered
pharmaceutical research. arXiv Preprint, ar-
Xiv:2309.12177. https://arxiv.org/abs/2309.12177
Ocaña, A., Pandiella, A., Privat, C. et al. (2025). Inte-
gración de la inteligencia artificial en el descubri-
miento y desarrollo temprano de fármacos: un en-
foque transformador. Biomark Res 13 , 45 https://
doi.org/10.1186/s40364-025-00758-2
Patel, V., & Shah, M. (2021). A comprehensive
study on artificial intelligence and machine lear-
ning in drug discovery and drug development.
Intelligent Medicine. https://doi.org/10.1016/j.
imed.2021.10.001
Patnaik, S. K., Sahu, M., Padmasri, B., Damarasin-
gu, P., Nayak, D., Haque, M. A., & Panigrahi, S. K.
(2023). Transforming Drug Discovery and Develo-
pment:The Impact of Artificial Intelligence. https://
doi.org/10.52783/jchr.v13.i4.1303
Rask-Andersen, M., Almén, M. S., & Schiöth, H. B.
(2011). Trends in the exploitation of novel drug tar-
gets. Nature reviews. Drug discovery, 10(8), 579–
590. https://doi.org/10.1038/nrd3478
Rudolph, J., Settleman, J., & Malek, S. (2021). Emer-
ging Trends in Cancer Drug Discovery-From Dru-
gging the "Undruggable" to Overcoming Resistan-
ce. Cancer discovery, 11(4), 815–821. https://doi.
org/10.1158/2159-8290.CD-21-0260
Sahoo, D., Sarangi, R., Nayak, S., ., R., & Sayeed,
M. (2024). Discovering New Horizons: A Systema-
tic Review on Artificial Intelligence Applications
in Drug Discovery and Development.. INTERNA-
TIONAL JOURNAL OF PHARMACEUTICAL QUA-
LITY ASSURANCE. https://doi.org/10.25258/ijp-
qa.15.3.08
PETROCHE TORRES, D. J., CAMINO VALDEZ, J. A., RAMÍREZ REYES , R. A., & LEMA CHOÉZ, E. A.
211
RECIMUNDO VOL. 9 N°2 (2025)
Sattarov, B., Sekretareva, A., & Kadurin, A. (2024).
Ethical and practical limitations in AI-driven drug
discovery. arXiv Preprint, arXiv:2407.05150. ht-
tps://arxiv.org/abs/2407.05150
Schneider G. (2018). Automating drug discovery.
Nature reviews. Drug discovery, 17(2), 97–113. ht-
tps://doi.org/10.1038/nrd.2017.232
Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cu-
billos-Ruiz, A., Donghia, N. M., ... & Collins, J. J.
(2020). A deep learning approach to antibiotic
discovery. Cell, 180(4), 688–702.e13. https://doi.
org/10.1016/j.cell.2020.01.021
Topol E. J. (2019). High-performance medicine: the
convergence of human and artificial intelligen-
ce. Nature medicine, 25(1), 44–56. https://doi.
org/10.1038/s41591-018-0300-7
Tyagi, E., Kumari, P., Prakash, A., & Bhuyan, R.
(2025). Revolutionizing Anti-Cancer Drug Disco-
very: The Role of Artificial Intelligence. Internatio-
nal Journal of Bioinformatics and Intelligent Com-
puting. https://doi.org/10.61797/ijbic.v3i2.323
Vijayan, R., Kihlberg, J., Cross, J., & Poongavanam,
V. (2021). Enhancing preclinical drug discovery
with artificial intelligence.. Drug discovery today.
https://doi.org/10.1016/j.drudis.2021.11.023
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dig-
num, V., Domisch, S., ... & Fuso Nerini, F. (2020).
The role of artificial intelligence in achieving the
Sustainable Development Goals. Nature Commu-
nications, 11, 233. https://doi.org/10.1038/s41467-
019-14108-y
Visan, A. I., & Negut, I. (2024). Integrating Artificial
Intelligence for Drug Discovery in the Context of
Revolutionizing Drug Delivery. Life (Basel, Swit-
zerland), 14(2), 233. https://doi.org/10.3390/
life14020233
Vora, L., Gholap, A., Jetha, K., Thakur, R., Solanki, H.,
& Chavda, V. (2023). Artificial Intelligence in Phar-
maceutical Technology and Drug Delivery Design.
Pharmaceutics, 15. https://doi.org/10.3390/phar-
maceutics15071916.
Wouters, O. J., McKee, M., & Luyten, J. (2020). Es-
timated Research and Development Investment
Needed to Bring a New Medicine to Market,
2009-2018. JAMA, 323(9), 844–853. https://doi.
org/10.1001/jama.2020.1166
Yang, Y., Chen, C., Gao, Y., & Zhang, H. (2023).
Artificial intelligence in drug discovery: Appli-
cations and perspectives. ChemBioChem,
24(21), e202300816. https://doi.org/10.1002/
cbic.202300816
Yidan Tang, Rocco Moretti y Jens Meiler, (2024).
Avances recientes en el diseño automatizado de
fármacos de novo basado en la estructura Revista
de información y modelado químico 64 (6), 1794-
1805 DOI: 10.1021/acs.jcim.4c00247
Zhu, H. (2020). Big Data and Artificial Intelligence Mo-
deling for Drug Discovery.. Annual review of phar-
macology and toxicology. https://doi.org/10.1146/
annurev-pharmtox-010919-023324
CITAR ESTE ARTICULO:
Petroche Torres, D. J., Camino Valdez, J. A., Ramírez Reyes , R. A., & Lema
Choéz, E. A. (2025). Impacto de la inteligencia artificial en el descubrimiento
de nuevos fármacos. Una revisión sistemática. RECIMUNDO, 9(2), 201–213.
https://doi.org/10.26820/recimundo/9.(2).abril.2025.201-213
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL DESCUBRIMIENTO DE NUEVOS FÁRMACOS. UNA
REVISIÓN SISTEMÁTICA
212 RECIMUNDO VOL. 9 N°2 (2025)
Anexos
Tabla 1. Estudios sobre IA en Descubrimiento de Fármacos
Nº
Autor(es)
(año)
País /
Región
Tipo de IA
utilizada
Objetivo del
estudio
Diseño
metodológico
Área terapéutica
Fase del
descubrimiento
abordada
Hallazgos clave
Limitaciones
reportadas
1
Tang et al.
(2024)
Internacional
IA estructural
Avances en
diseño de
fármacos de novo
Revisión
narrativa
General
Diseño
molecular
en estructuras
Validación
experimental
necesaria
2
Ocaña et al.
(2025)
Europa
IA integrativa
IA en desarrollo
temprano de
fármacos
Revisión
sistemática
Oncológica
Etapas iniciales
costos y tiempo
Métodos poco
estandarizados
3
Li (2020)
China
Fragment-
Based
Aplicación de
descubrimiento
basado en
fragmentos
Estudio
técnico
Multitarget
Optimización de
objetivos
targets diversos
Limitada a
targets conocidos
4
de Souza
Neto et al.
(2020)
Brasil
In silico tools
Optimización de
fragmento a
plomo
Revisión
técnica
General
Etapa de
optimización
predicción
Requiere pruebas
experimentales
5
Schneider
(2018)
Alemania
Automatización
IA
Automatización
del
descubrimiento de
fármacos
Opinión
experta
General
Todo el ciclo
acelera
descubrimiento
Ética y
reproducibilidad
6
Jorgensen
(2004)
EE. UU.
Computación
avanzada
Rol de
computación en el
descubrimiento
Artículo
teórico
General
Modelado y
simulación
fundamental para
Requiere
integración
experimental
7
Amorim et
al. (2024)
Portugal
IA toxicológica
IA en
investigación
toxicológica
Estudio
experimental
Toxicológica
Predicción de
toxicidad
predicción de
Dependencia de
bases de datos
8
Lionta et al.
(2014)
Grecia
Virtual
screening
Principios y
avances del
screening virtual
Revisión
narrativa
General
Filtro de
compuestos
candidatos
Falsos positivos
9
Kamya et al.
(2024)
Internacional
PandaOmics
Plataforma IA
para
biomarcadores
Desarrollo de
plataforma
General
Descubrimiento
de
biomarcadores
escalabilidad
Dependencia de
calidad de datos
10
Han et al.
(2023)
Corea del
Sur
IA general
Aplicación en
etapas tempranas
Revisión
integradora
Medicina general
Descubrimiento
temprano
eficiencia del
Barreras
regulatorias y
éticas
11
Visan &
Negut (2024)
Rumania
IA delivery
IA en delivery y
formulación
Estudio
técnico
Tecnología
farmacéutica
Liberación de
fármacos
Falta validación
clínica
12
Topol (2019)
EE. UU.
IA médica
Convergencia IA
y medicina
Ensayo crítico
Medicina
personalizada
Integración
general
medicina
Privacidad y
seguridad
13
Chang et al.
(2021)
EE. UU.
IA oncológica
Genes pan-
esenciales en
cáncer
Estudio
clínico
Oncológica
Identificación de
targets
IA identifica
targets clave
Complejidad
genética tumoral
14
Rudolph et al.
(2021)
EE. UU.
IA para
resistencia
Nuevas tendencias
oncológicas
Revisión
narrativa
Oncológica
Drugging y
resistencia
Enfoca targets
difíciles
Necesidad de
ensayos clínicos
15
Chan et al.
(2019)
China
IA
farmacológica
Avance en
descubrimiento IA
Revisión
general
General
Todo el proceso
IA acelera
investigación
Cuestiones de
interpretación
16
Benitez et al.
(2021)
Francia
IA fase I
Estudios tardíos de
fase 1
Revisión
clínica
Oncológica
Fase clínica
inicial
Mejora diseño y
predicción
Variabilidad en
respuesta
17
Rask-
Andersen et
al. (2011)
Suecia
Minería de
datos
Explotación de
blancos novedosos
Revisión
General
Identificación de
blancos
IA descubre
dianas ocultas
Necesidad de
ensayos extensos
18
Wouters et al.
(2020)
Internacional
Modelos
económicos
Costos de I+D en
nuevos
medicamentos
Análisis
cuantitativo
General
Costeo de
desarrollo
IA podría
optimizar
inversión
Altos costos aún
persistentes
19
Bijral et al.
(2021)
India
IA general
Aplicaciones de IA
en descubrimiento
Revisión
exhaustiva
General
Todo el proceso
IA mejora éxito y
eficiencia
Falta de
protocolos
estándar
20
Patel & Shah
(2021)
India
IA y ML
IA y ML en
desarrollo
Revisión
técnica
General
Todo el ciclo
Modelos
predictivos útiles
Retos en
interpretación
21
Han et al.
(2023)
Corea del
Sur
IA medicinal
Revisión sobre IA
y química
medicinal
Revisión
narrativa
Medicina general
Etapas
tempranas
IA mejora diseño
racional
Necesidad de
integración en
práctica
22
Hasselgren &
Oprea (2023)
Internacional
Evaluación
crítica
¿Está lista la IA
para
descubrimiento?
Revisión
crítica
General
Todo el ciclo
Avances pero
retos persistentes
Validación
insuficiente
23
Vora et al.
(2023)
India
IA en
farmacotecnia
Diseño de delivery
con IA
Revisión
temática
Tecnología
farmacéutica
Diseño de
formulaciones
IA permite
formulaciones
óptimas
Falta de
integración
práctica
24
Sahoo et al.
(2024)
India
IA general
Revisión
sistemática de IA
Revisión
sistemática
Multidisciplinaria
Todo el ciclo
Mejora resultados
del proceso
Falta ensayos
clínicos
25
Vijayan et al.
(2021)
Internacional
IA preclínica
IA en
descubrimiento
preclínico
Revisión
técnica
Preclínica
Screening y
validación
IA acelera
evaluación
preclínica
Desafíos de
generalización
26
Tyagi et al.
(2025)
Internacional
IA oncológica
IA en fármacos
anticáncer
Revisión
crítica
Oncológica
Diseño y
optimización
IA identifica
compuestos
activos
Resultados aún
experimentales
27
Zhu (2020)
EE. UU.
Big data + IA
Modelado con big
data en
descubrimiento
Revisión
técnica
General
Modelado
computacional
Grandes datasets
aumentan
precisión
Complejidad del
manejo de datos
213
RECIMUNDO VOL. 9 N°2 (2025)
28
Koutroumpa
et al. (2023)
Europa
Deep
Learning
Enfoque sistemático
con validación in
vivo
Revisión
sistemática
General
Validación
preclínica
Éxitos en modelos
animales
Poca validación
clínica
29
Ahmed et al.
(2024)
China
IA general
Progreso, desafíos y
futuro de IA
Análisis
crítico
General
Varias fases
IA promete
transformación del
sector
Regulaciones,
ética, acceso
30
Yang et al.
(2023)
China
IA
farmacéutica
Aplicaciones y
perspectivas
Revisión
narrativa
General
Todo el proceso
IA clave en
innovación
farmacéutica
Complejidad en
validación externa
31
Stokes et al.
(2020)
EE. UU.
Deep learning
IA para descubrir
antibióticos
Estudio
experimental
Antibióticos
Screening
IA identificó nuevo
antibiótico eficaz
Requiere pruebas
clínicas extensas
32
Sattarov et al.
(2024)
Rusia
IA general
Ética y limitaciones
prácticas
Preprint
reflexivo
General
Ética e
implementación
Señala sesgos,
acceso desigual
Riesgos éticos
serios
33
Mendez &
Ghosh (2023)
EE. UU.
IA explicable
Interpretabilidad y
sesgo
Preprint
técnico
General
Modelado
predictivo
Proponen
frameworks para
mejorar
transparencia
Implementación
aún limitada
34
Vinuesa et al.
(2020)
Internacional
IA y
sostenibilidad
Rol de IA en
Objetivos de
Desarrollo
Sostenible
Análisis
global
Multisectorial
Impacto en salud
global
IA puede contribuir
a ODS
Falta de
integración
efectiva