El KAIST de Corea presenta BInD, una IA que diseña fármacos contra mutaciones del cáncer

• curecompass
• 16 agosto, 2025
• I+D, Tecnología
• Advanced Science, Cáncer, Instituto Avanzado de Ciencia y Tecnología de Corea, Inteligencia Artificial, KAIST, Portada
• 0 Comments

Un equipo del KAIST (Instituto Avanzado de Ciencia y Tecnología de Corea) presentó BInD, un modelo de IA basado en difusión que genera moléculas y sus interacciones con la proteína diana en un solo paso. El trabajo, publicado en Advanced Science, promete acelerar el diseño de fármacos dirigidos a mutaciones como las del EGFR.

Diseño simultáneo: moléculas y mecanismos de unión

El laboratorio del Instituto Avanzado de Ciencia y Tecnología de Corea liderado por el profesor Woo Youn Kim (Departamento de Química, KAIST) desarrolló BInD —Bond and Interaction-Generating Diffusion model—, un modelo generativo que parte de una estructura inicial aleatoria y la refina mediante un proceso de difusión guiado por reglas químicas (longitudes de enlace, distancias proteína-ligando, patrones de interacción no covalente).

A diferencia de enfoques previos que primero generaban moléculas y luego evaluaban su acoplamiento, BInD “co-genera” átomos, enlaces e interacciones pensadas desde el inicio para ajustarse al sitio de unión de la proteína.

“La IA recién desarrollada puede aprender y comprender las características clave necesarias para una unión fuerte a una proteína diana y diseñar moléculas candidatas a fármacos óptimas, incluso sin información previa. Esto podría cambiar significativamente el paradigma del desarrollo de fármacos“, afirmó el profesor Woo Youn Kim.

“Dado que esta tecnología genera estructuras moleculares basadas en principios de interacciones químicas, se espera que permita un desarrollo de fármacos más rápido y fiable” agregó el científico.

Multiobjetivo y aplicación a mutaciones de EGFR

Una de las innovaciones del estudio es que BInD optimiza múltiples criterios al mismo tiempo: afinidad de unión, propiedades farmacológicas y estabilidad estructural, evitando así soluciones que mejoran un objetivo a costa de otros.

Los autores reportan que el modelo fue capaz de generar moléculas que se unen selectivamente a residuos mutados del receptor EGFR, una diana relevante en varios cánceres, y que reutilizó patrones de unión excepcionales de resultados previos para mejorar candidatos sin necesidad de reentrenamiento.

El artículo, firmado por Joongwon Lee, Wonho Zhung, Jisu Seo y el propio Woo Youn Kim —con Joongwon Lee y Wonho Zhung como coautores principales— se publicó el 11 de julio en Advanced Science.

Contexto técnico y reconocimiento precedente

Los autores sitúan su trabajo en la ola de modelos generativos tridimensionales para diseño estructural. BInD emplea un “modelo de difusión”, un enfoque generativo que ha ganado protagonismo en predicción y diseño molecular; recientes avances en predicción estructural —como AlphaFold y sus sucesivas versiones— obtuvieron reconocimiento institucional de alto perfil en 2024. El Premio Nobel de Química 2024 premió contribuciones vinculadas a la predicción estructural mediante IA, una señal de la relevancia de estas herramientas para la biomedicina.

Financiamiento, publicación y próximos pasos

La investigación contó con el apoyo de la Fundación Nacional de Investigación de Corea y del Ministerio de Salud y Bienestar de Corea, según el comunicado del KAIST. Los resultados están disponibles en la versión de revista y en el preprint asociado; el equipo subraya que, aunque la IA reduce drásticamente la fase de generación y priorización de candidatos, la verificación experimental (química, farmacología in vitro e in vivo) sigue siendo imprescindible antes de cualquier avance clínico.

¿Qué cambia para la industria farmacéutica?

BInD apunta a reducir el costo y el tiempo del descubrimiento inicial al ofrecer candidatos más “listas para testar” y especificados para estructuras mutadas —un interés clave en oncología de precisión—. Sin embargo, los retos persisten: control de sesgos en los criterios de diseño, predicción fiable de toxicidad y farmacocinética, y la necesidad de ensayos físicos que confirmen la unión y la actividad biológica. El paso crítico será demostrar que las moléculas generadas por BInD funcionan en el laboratorio y, posteriormente, en modelos preclínicos.