IA Explicable basada en Grafos para la medicina del futuro: Investigadores del Grupo de Aplicación de Telecomunicaciones Visuales (GATV) publican en la revista Nature un avance en el reposicionamiento de fármacos

Descubrir un nuevo medicamento desde cero es un proceso complejo que puede costar miles de millones de euros y requerir más de una década de desarrollo. Frente a este desafío, el reposicionamiento de fármacos (encontrar nuevos usos terapéuticos para medicamentos que ya existen y han demostrado ser seguros) se ha convertido en una estrategia crucial para los sistemas de salud globales. El reto actual radica en predecir con exactitud y de manera comprensible qué fármacos funcionarán para nuevas patologías.

En el Grupo de Aplicación de Telecomunicaciones Visuales (GATV) de la UPM hemos alcanzado un hito científico de gran relevancia en este campo. Nuestros investigadores Pablo Perdomo-Quinteiro y Alberto Belmonte-Hernández, en colaboración con Emre Guney, han desarrollado una novedosa metodología basada en Redes Neuronales de Grafos (GNN) orientada a la Inteligencia Artificial Explicable (XAI) de alto rendimiento. El estudio científico ha sido publicado recientemente en la prestigiosa revista Nature (Scientific Reports) bajo el título «Generating explainable hypotheses for drug repurposing with graph neural networks».

Esta investigación se ha llevado a cabo en el marco del proyecto europeo REPO4EU, una iniciativa financiada por la Comisión Europea que busca establecer una plataforma única a nivel continental para el mecanismo de reposicionamiento avanzado de medicamentos.

¿Qué aporta esta investigación?

La clave de la metodología diseñada en el Grupo de Aplicación de Telecomunicaciones Visuales (GATV) radica en combinar dos factores que raramente van de la mano en los modelos tradicionales de aprendizaje automático:

Alto rendimiento predictivo mediante Grafos: El uso de Redes Neuronales de Grafos (GNN) permite mapear de forma avanzada complejas redes biomédicas interconectadas, analizando volúmenes masivos de datos para priorizar de forma óptima los mejores candidatos terapéuticos.
Generación de hipótesis explicables (XAI): A diferencia de las «cajas negras» de la IA convencional, este modelo es capaz de abrir el proceso de decisión, proporcionando justificaciones biológicas comprensibles sobre por qué y cómo actúa un fármaco a nivel molecular frente a una patología concreta.

Impacto y transferencia a la industria farmacéutica

La aplicación industrial de este desarrollo tecnológico es inmediata. Al proporcionar explicaciones con base mecanística y biomédica, ofrece un soporte estratégico vital para los departamentos de I+D de las compañías farmacéuticas y biotecnológicas. Esto facilita enormemente la toma de decisiones críticas en las fases previas a los ensayos clínicos, minimiza riesgos económicos y acelera de forma segura los procesos de medicina de precisión.

Con este trabajo, el Grupo de Aplicación de Telecomunicaciones Visuales (GATV) reafirma su línea estratégica de aplicar la investigación puntera en IA hacia soluciones con un alto impacto social y comercial, contribuyendo de manera directa a la sostenibilidad y eficiencia de la sanidad del futuro.

🔗 Accede al artículo científico completo (Open Access): Puedes leer el paper original publicado en Nature directamente a través de este enlace: https://www.nature.com/articles/s41598-026-50149-2