NeoGenelogic patenta en EE. UU. una IA para dianas contra el cáncer

⏱️ Lectura: 12 min

NeoGenelogic, una firma surcoreana de biotecnología, aseguró una patente en Estados Unidos para una tecnología de inteligencia artificial que identifica dianas terapéuticas contra el cáncer, según reportó The Chosun Ilbo.

📑 En este artículo

1. TL;DR
2. Qué pasó con la patente de NeoGenelogic
3. La carrera de la industria farmacéutica por dianas terapéuticas con IA
4. Cómo funcionan las dianas terapéuticas con IA
5. Impacto para la industria y limitaciones reales
6. Cómo verificar la patente y probar las herramientas
7. Qué sigue para NeoGenelogic y sus competidores
8. Preguntas frecuentes
   1. ¿Qué es una diana terapéutica?
   2. ¿Qué protege exactamente la patente de NeoGenelogic?
   3. ¿Una patente de IA significa que ya existe un tratamiento?
   4. ¿Cómo puedo verificar la patente por mi cuenta?
   5. ¿Qué herramientas abiertas existen para experimentar con este tipo de modelos?
   6. ¿Por qué la USPTO acepta patentar un método basado en IA?
9. Referencias

El anuncio llega en medio de una carrera global por acelerar, con modelos de IA, la fase más lenta del desarrollo de fármacos, que consiste en decidir a qué molécula del tumor apuntar antes de invertir años y millones de dólares en el laboratorio.

TL;DR

• NeoGenelogic aseguró en EE. UU. una patente para su IA que identifica dianas terapéuticas contra el cáncer (The Chosun Ilbo).
• La compañía surcoreana se suma a un grupo creciente de biotecnológicas que usan IA para acortar la selección de blancos terapéuticos.
• Patentar IA en biotecnología exige una aplicación práctica concreta, no una fórmula abstracta, según el criterio de la USPTO.
• Herramientas abiertas como RDKit y DeepChem permiten reproducir partes del flujo que priorizan candidatos a fármaco.
• AlphaFold, de Google DeepMind, probó que la IA predice estructuras de proteínas con precisión útil para investigar.
• La patente no reemplaza la validación experimental; el candidato de IA igual debe probarse en laboratorio antes de un ensayo clínico.
• Cualquiera puede verificar la patente buscando a NeoGenelogic como asignatario en Google Patents o USPTO Patent Public Search.

Qué pasó con la patente de NeoGenelogic

La oficina de patentes de Estados Unidos, la USPTO, otorgó a NeoGenelogic el derecho exclusivo sobre un método de inteligencia artificial diseñado para identificar dianas terapéuticas en el cáncer, según el reporte de The Chosun Ilbo. En biotecnología, una diana terapéutica es la molécula, casi siempre una proteína, contra la que se diseña un fármaco para bloquear o modificar su función en la célula tumoral.

El reporte original no detalla el número de patente ni el mecanismo molecular exacto que protege el registro, algo habitual en coberturas de prensa generalista sobre patentes técnicas. Más abajo, en la sección sobre cómo verificar la patente, se explica cómo cualquier lector puede buscar el expediente completo usando el nombre de la empresa como asignatario.

Lo relevante no es solo el otorgamiento en sí, sino lo que representa. Una biotecnológica surcoreana consiguió proteger, en el mercado estadounidense (el más grande del mundo en gasto farmacéutico), un método de IA aplicado a oncología. Eso le da a NeoGenelogic una ventaja legal frente a competidores que quieran comercializar un enfoque técnicamente similar en EE. UU. durante la vigencia de la patente.

La carrera de la industria farmacéutica por dianas terapéuticas con IA

Identificar una diana terapéutica válida es, históricamente, el cuello de botella más caro del descubrimiento de fármacos. Antes de sintetizar una sola molécula candidata, los laboratorios necesitan confirmar que bloquear una proteína específica realmente frena el crecimiento del tumor sin dañar el tejido sano. Ese proceso, apoyado en cribados experimentales y estudios genómicos, puede tomar años y consumir buena parte del presupuesto de un programa de investigación.

La irrupción de modelos de aprendizaje profundo cambió el punto de partida. AlphaFold, desarrollado por Google DeepMind, demostró que una red neuronal puede predecir la estructura tridimensional de una proteína a partir de su secuencia con una precisión suficiente para orientar investigación real, no solo para publicar un paper académico. Ese resultado abrió la puerta a que empresas como Isomorphic Labs, la spinoff de descubrimiento de fármacos de DeepMind, y una ola de startups asiáticas y estadounidenses construyeran pipelines completos de IA para priorizar candidatos antes de tocar una probeta.

NeoGenelogic se suma a esa tendencia con un enfoque propio centrado en oncología, en un momento en que varias biotecnológicas buscan diferenciarse por la propiedad intelectual sobre sus modelos de IA, y no solo sobre las moléculas finales que eventualmente lleguen a un ensayo clínico.

Cómo funcionan las dianas terapéuticas con IA

Aunque NeoGenelogic no publicó el detalle de su arquitectura, los sistemas de este tipo comparten una estructura general bien documentada en la literatura de bioinformática. El flujo típico combina datos de expresión génica de tejido tumoral y sano, redes de interacción proteína-proteína, y modelos predictivos que puntúan cada proteína candidata según su \”druggability\”, qué tan factible es diseñar un fármaco que la bloquee de forma selectiva.

El siguiente diagrama resume ese flujo de trabajo a alto nivel, desde los datos crudos hasta la solicitud de patente:

flowchart TD
    A["Datos omicos: expresion genica y proteomica"] --> B["Modelo de IA: prioriza proteinas candidatas"]
    B --> C["Prediccion de estructura y afinidad"]
    C --> D["Validacion experimental en laboratorio"]
    D --> E["Solicitud de patente del metodo"]

En la práctica, un investigador que quiera reproducir la primera etapa de ese flujo, calcular propiedades moleculares de un candidato, puede hacerlo hoy con librerías abiertas. Un ejemplo mínimo con RDKit, la librería de quimioinformática de código abierto más usada en el sector:

from rdkit import Chem
from rdkit.Chem import Descriptors

molecula = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O")  # aspirina, como ejemplo
peso_molecular = Descriptors.MolWt(molecula)
logp = Descriptors.MolLogP(molecula)

print(f"Peso molecular: {peso_molecular:.2f}")
print(f"LogP (lipofilia): {logp:.2f}")

Ese fragmento calcula dos propiedades que cualquier modelo de \”druggability\” usa como entrada: el peso molecular y el LogP, una medida de lipofilia que influye en si el compuesto puede atravesar membranas celulares. Un pipeline real de identificación de dianas encadena decenas de propiedades como estas junto con predicciones de afinidad de unión, expresión diferencial en el tumor y toxicidad estimada, para producir un ranking de candidatos.

def puntuar_diana(expresion_diferencial, afinidad_predicha, toxicidad_estimada):
    # pesos ilustrativos; cada laboratorio ajusta los propios
    score = (0.4 * expresion_diferencial
             + 0.4 * afinidad_predicha
             - 0.2 * toxicidad_estimada)
    return score

candidatos = {
    "PROT_A": puntuar_diana(0.82, 0.75, 0.10),
    "PROT_B": puntuar_diana(0.55, 0.90, 0.35),
}
mejor = max(candidatos, key=candidatos.get)
print(f"Diana priorizada: {mejor}")

Este segundo bloque es deliberadamente simplificado: ilustra la lógica de combinar señales (expresión diferencial, afinidad, toxicidad) en un único puntaje, el tipo de método que suele describirse en una solicitud de patente como la de NeoGenelogic, aunque los pesos y las variables reales de cada empresa son propiedad intelectual protegida.

💭 Clave: lo que suele patentarse no es \”usar IA para el cáncer\” en abstracto, algo que la USPTO rechazaría por ser una idea abstracta, sino el método concreto: qué datos se combinan, cómo se entrena el modelo y qué aplicación práctica específica resuelve.

Impacto para la industria y limitaciones reales

La siguiente tabla compara el enfoque de NeoGenelogic, sin conocer su implementación exacta, con los métodos más establecidos para encontrar una diana terapéutica contra el cáncer:

Enfoque	Cuándo se usa	Ventaja	Limitación
Cribado experimental in vitro	Validación temprana de un candidato ya sugerido	Evidencia biológica directa, alta confiabilidad	Lento y costoso: se prueba un compuesto a la vez
Genómica funcional (cribados CRISPR)	Descubrir genes esenciales en un tipo de tumor	Cobertura amplia del genoma completo	Requiere infraestructura de laboratorio especializada
Docking molecular clásico	Estimar la afinidad de unión proteína-fármaco	Basado en principios físicos, interpretable	Costoso a gran escala y con precisión limitada
Modelos de IA predictiva (como el patentado por NeoGenelogic)	Priorizar candidatos antes de entrar al laboratorio	Reduce drásticamente el espacio de búsqueda inicial	Depende de la calidad y el sesgo de los datos de entrenamiento

El punto que suele perderse en la cobertura de este tipo de anuncios es que una patente protege un método, no un resultado clínico. NeoGenelogic aseguró el derecho exclusivo sobre su forma de identificar dianas, pero eso no implica que ya exista un fármaco en desarrollo, ni que la molécula finalmente elegida supere las fases de ensayos clínicos, un proceso que en oncología suele tomar varios años adicionales y donde la mayoría de los candidatos fracasa.

⚠️ Ojo: una patente de IA no certifica eficacia clínica. Protege legalmente el método de selección de la diana; la validación en humanos sigue siendo un proceso aparte, regulado por agencias como la FDA, y estadísticamente la mayoría de los candidatos oncológicos no llega a aprobarse.

Cómo verificar la patente y probar las herramientas

Cualquier lector puede confirmar el estado de la patente sin depender de la cobertura de prensa. La búsqueda de Google Patents permite filtrar por asignatario escribiendo assignee:NeoGenelogic en el buscador, y el sistema oficial USPTO Patent Public Search acepta el código de campo AN/NeoGenelogic para restringir la búsqueda al nombre de la empresa como asignatario.

Para explorar el tipo de herramientas de código abierto que alimentan estos pipelines, la instalación toma apenas un par de minutos:

# quimioinformatica basica
pip install rdkit

# modelos de aprendizaje profundo para descubrimiento de farmacos
pip install deepchem

Con esas dos librerías instaladas, el fragmento de RDKit de la sección anterior ya corre localmente. DeepChem añade modelos preentrenados para predecir solubilidad, toxicidad y afinidad de unión, las mismas señales que un modelo de identificación de dianas necesita combinar.

💡 Tip: el EBI AlphaFold Protein Structure Database publica de forma gratuita millones de estructuras de proteínas predichas, útiles como punto de partida para explorar candidatos sin depender de infraestructura propia de cómputo.

Qué sigue para NeoGenelogic y sus competidores

El siguiente paso lógico, y el que determinará si la patente tiene valor comercial real, es si NeoGenelogic o un socio farmacéutico avanza un candidato concreto hacia estudios preclínicos. En ese momento suele hacerse pública información que hoy falta: el tipo de cáncer objetivo, la proteína específica y los primeros datos de eficacia en modelos animales.

Mientras tanto, es probable que otras biotecnológicas asiáticas y estadounidenses sigan presentando solicitudes similares ante la USPTO, en una carrera donde la propiedad intelectual sobre el método de IA se vuelve tan disputada como la propiedad intelectual sobre la molécula final. Vale la pena monitorear si la oficina endurece o flexibiliza su criterio de elegibilidad para este tipo de invenciones híbridas, entre software y biotecnología, en los próximos expedientes que resuelva.

📖 Resumen en Telegram: Ver resumen

Probalo vos mismo: instalá RDKit con pip install rdkit y calculá las propiedades moleculares de un compuesto real en menos de diez líneas de Python.

Preguntas frecuentes

¿Qué es una diana terapéutica?

Es la molécula, casi siempre una proteína, contra la que se diseña un fármaco para bloquear o modificar su función dentro de una célula, en este caso una célula tumoral.

¿Qué protege exactamente la patente de NeoGenelogic?

Según el reporte de The Chosun Ilbo, protege el método de inteligencia artificial que la empresa usa para identificar esas dianas en cáncer, no una molécula o fármaco específico ya desarrollado.

¿Una patente de IA significa que ya existe un tratamiento?

No. La patente cubre el método de selección; el candidato identificado todavía debe pasar por validación experimental y, eventualmente, por ensayos clínicos regulados antes de convertirse en un tratamiento aprobado.

¿Cómo puedo verificar la patente por mi cuenta?

Buscando \”NeoGenelogic\” como asignatario en Google Patents o usando el campo AN/NeoGenelogic en USPTO Patent Public Search.

¿Qué herramientas abiertas existen para experimentar con este tipo de modelos?

RDKit para quimioinformática básica, DeepChem para modelos de aprendizaje profundo aplicados a fármacos, y la base de datos pública de estructuras de AlphaFold del EBI para partir de predicciones de proteínas ya calculadas.

¿Por qué la USPTO acepta patentar un método basado en IA?

Porque, a diferencia de una idea abstracta, el método describe una aplicación práctica concreta: qué datos combina, cómo los procesa y qué problema técnico resuelve, el criterio que la oficina exige desde su marco de elegibilidad para invenciones de software y biotecnología.

Referencias

• The Chosun Ilbo vía MSN: reporte original sobre la patente de NeoGenelogic para su tecnología de IA contra el cáncer.
• USPTO: oficina de patentes y marcas de Estados Unidos, fuente oficial para verificar el estado de cualquier solicitud o patente otorgada.
• Google Patents: buscador público que permite filtrar patentes por empresa asignataria, incluida NeoGenelogic.
• RDKit: documentación oficial de la librería de código abierto usada en los ejemplos de quimioinformática de este artículo.
• Wikipedia: AlphaFold: contexto sobre el sistema de predicción de estructura de proteínas de Google DeepMind.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

Imagen destacada: Foto de National Cancer Institute en Unsplash