Ono Pharmaceutical Despliega Inteligencia Artificial Agente en Todo el Proceso de Descubrimiento de Fármacos

Ono Pharmaceutical está poniendo agentes de inteligencia artificial frente a los científicos que dirigen su investigación en las primeras etapas. Bajo una colaboración anunciada el 28 de julio de 2026, el fabricante de medicamentos de Osaka desplegará Biomni Lab, la plataforma de investigación agente construida por el laboratorio de inteligencia artificial aplicada de South San Francisco Phylo, en toda su organización de descubrimiento de fármacos.

Lo que la plataforma está diseñada para absorber, según el anuncio, es el conjunto completo de la jornada computacional de un científico de descubrimiento: sintetizar la historia experimental de un programa, razonar sobre conjuntos de datos internos, diseñar el próximo experimento y ejecutar la biología computacional detrás de él. Phylo dice que la propia experiencia de descubrimiento de Ono y sus datos históricos se integrarán en el entorno, lo que es la parte que distingue esto de una licencia de software. Ono, listado en Tokio como 4528 y fundado en 1717, trabaja en oncología, inmunología e inflamación, y neurología, y es mejor conocido por el anticuerpo PD-1 nivolumab, vendido como Opdivo.

Qué se probó en Biomni

El agente subyacente al producto lleva más evidencia publicada que la mayoría de las implementaciones de inteligencia artificial empresarial. Biomni comenzó como un proyecto de código abierto en Stanford y se publicó en Science en 2026 como Investigación biomédica autónoma con un agente de inteligencia artificial. Su diseño es inusual: un agente extrae herramientas, bases de datos y protocolos de miles de artículos en 25 dominios biomédicos para construir el entorno, y un segundo planea sobre ese entorno, recuperando lo que una pregunta necesita y escribiendo código para ejecutarlo en lugar de seguir un flujo de trabajo fijo.

El artículo informa que el agente generaliza a través de la priorización de genes causales, la reutilización de fármacos, el diagnóstico de enfermedades raras, el análisis del microbioma y la clonación molecular sin ajuste de tarea específica, con estudios de caso que cubren la optimización de la estabilidad de las proteínas y la orquestación de instrumentos de laboratorio húmedo. Ese es un mandato más amplio que los modelos de propósito único que dominan el descubrimiento computacional, y más cercano a los sistemas de co-científicos de laboratorio húmedo hacia los que el campo ha estado convergiendo desde Google’s Co-Scientist.

Qué muestran las puntuaciones de referencia

La mejor lectura de lo que Ono está comprando en realidad proviene del propio trabajo de evaluación de Phylo. El 30 de junio de 2026, la empresa publicó DrugDiscoveryBench con Scale Labs: 82 tareas escritas por científicos de descubrimiento de fármacos que trabajan en identificación de objetivos, minería de patentes y análisis de estructura-actividad, cada una con una respuesta verificable y una rúbrica escrita por expertos, resueltas por agentes que escriben código contra bases de datos biomédicas reales.

Los modelos de vanguardia se agruparon estrechamente y sin impresionar. Phylo informa que GPT-5.5 tiene un 51,6%, Gemini 3.5 Flash un 50,0% y Opus 4.8 un 47,2%, con diferentes modelos liderando diferentes familias de tareas. Dos hallazgos debajo del ranking importan más para una implementación farmacéutica:

• Manteniendo el modelo fijo y cambiando solo la arquitectura del agente que lo rodea, GPT-5.5 pasó de 40,6% a 51,6%, y GLM 5.2 de 24,4% a 37,8%.
• Con una guía escrita por humanos que nombra los pasos y las herramientas, al menos un modelo aprobó 76 de las 82 tareas.

Phylo es directo sobre el modo de falla en el medio: en flujos de trabajo largos, el agente pierde silenciosamente una restricción y devuelve una respuesta confiada pero incorrecta. En una tarea, respondió a una pregunta sobre melanoma con un gen de cáncer de mama. Esa es la brecha que cierra el conocimiento institucional, y explica por qué el acuerdo con Ono se enmarca en torno a los datos históricos de la empresa en lugar de la capacidad bruta del modelo.

Dónde se ajusta en la estrategia de descubrimiento de Ono

Ono ha estado ensamblando esto durante varios años. Su organización de investigación establece que utiliza inteligencia artificial para acelerar la búsqueda de semillas de descubrimiento y reducir el tiempo hasta compuestos nuevos, y ejecuta un modelo de descubrimiento de fármacos deliberadamente externo: en marzo de 2026, expandió una colaboración de descubrimiento computacional con Congruence Therapeutics a neurología e inmunología.

“Creemos que la inteligencia artificial se convertirá en una capacidad central para el descubrimiento de fármacos”, dijo Seishi Katsumata, oficial corporativo y vicepresidente ejecutivo de descubrimiento y investigación de Ono, quien agregó que los investigadores de Ono adoptaron rápidamente Biomni Lab durante la evaluación.

Para Phylo, el trato amplía una lista de clientes reunida en menos de seis meses. La empresa lanzó Biomni Lab en vista previa de investigación el 3 de febrero de 2026, junto con una ronda de financiación de $13.5 millones co-liderada por Andreessen Horowitz y Menlo Ventures’ Anthology Fund, y ha publicado desde entonces trabajo de implementación con Ginkgo Bioworks (DNA ) y emulación clínica agente con investigadores de Mount Sinai. También está llegando a un mercado donde las grandes empresas farmacéuticas han decidido comprar infraestructura de agente en lugar de construirla, como AstraZeneca (AZN ) hizo cuando amplió su asociación con Owkin para poner agentes en decisiones de desarrollo.

Biomni Lab está disponible ahora, y el trabajo concreto que Ono se ha comprometido a realizar es la mitad más difícil: convertir tres siglos de práctica de descubrimiento acumulada en procedimientos que un agente pueda seguir. En la propia referencia de Phylo, esa es la etapa que lleva a un agente desde la mitad de las tareas hasta casi todas ellas.