AppCellera - Cálculo de valor intrínseco
Y por qué la compañía podría ser una ganadora de la actual corriente IA
Indice de la publicación
1. AbCellera y la IA: ¿riesgo u oportunidad?
2. App para calcular valor intrínseco
3. Explicación de su solución más avanzada, ABCL635
1. AbCellera y la IA: ¿riesgo u oportunidad?
Hace ya tiempo que publiqué mi tesis sobre AbCellera. Desde entonces he seguido profundizando todo lo que he podido, tanto para entender mejor cada una de sus partes como para poder explicártela con la mayor claridad posible. Lo que comentaré hoy me parece fundamental para comprender de verdad por qué creo en esta compañía, y para abordar el debate que determinará quién desarrollará los medicamentos del mañana.
Si la tesis respondía a “¿merece la pena?”, esto responde a “por qué creo que el camino que ha elegido AbCellera es el correcto”.
Dos caminos hacia el mismo destino
Imagina que estás enfermo y necesitas un medicamento que tu cuerpo reconozca como propio, que ataque específicamente la enfermedad sin dañar las células sanas. Los anticuerpos, las “balas mágicas” de la medicina moderna, representan esa promesa. El problema es que crearlos es como buscar una aguja en un pajar del tamaño del universo. El espacio de posibles anticuerpos es literalmente mayor que el número de estrellas en el cielo, y dar con el que se une con fuerza a su objetivo, se fabrica bien y no provoca efectos secundarios graves ha sido siempre una tarea extremadamente difícil.
Hoy existen dos filosofías completamente distintas que compiten por dominar este campo multimillonario. Por un lado, las empresas que confían en que la inteligencia artificial puede diseñar estos medicamentos desde cero en un ordenador, prometiendo velocidad y precisión sin precedentes. Por otro, compañías como AbCellera que parte de una premisa muy diferente: la naturaleza ya ha resuelto este problema a través de millones de años de evolución, y el papel de la IA debería ser ayudarnos a descifrar sus secretos, no reemplazarla.
Para un inversor como cualquiera de nosotros, creo que entender las palancas de cambio que la IA va a instaurar en el campo es esencial para una tesis a largo plazo, y precisamente eso es lo que me llevó a investigar el asunto a fondo.
Un mercado de cien mil millones con un cuello de botella sin resolver
Conviene poner cifras al tamaño de lo que está en juego. Los anticuerpos representan el sector de más rápido crecimiento de toda la industria farmacéutica, con ventas que superan los 200.000 millones de dólares anuales. A finales de 2025 había más de 200 terapias basadas en anticuerpos aprobadas globalmente, con cientos más en desarrollo clínico. Hablamos de un mercado enorme y en plena expansión estructural, impulsado por el envejecimiento de la población y por el desplazamiento de las moléculas pequeñas hacia estas terapias más precisas en áreas enteras como la oncología o las enfermedades autoinmunes. Este es el terreno donde juega AbCellera
Pero aquí está el detalle que lo hace todo más complejo: crear un anticuerpo efectivo sigue siendo extraordinariamente difícil y caro. Desarrollar uno toma tradicionalmente entre 8 y 14 años y cuesta cientos de millones de dólares. Lo peor no es ni el tiempo ni el dinero, sino la tasa de fracaso. Solo alrededor del 14% de los medicamentos biológicos que entran en ensayos clínicos terminan siendo aprobados, con un rango que va desde un mínimo del 8% hasta un máximo del 23% según la compañía. La inmensa mayoría de las apuestas se pierden por el camino, después de haber consumido recursos descomunales.
Quiero que se queden con esta idea, porque es la base de todo lo que viene después: en el descubrimiento de fármacos, la velocidad sin precisión no vale absolutamente nada. Un candidato que avanza rápido pero fracasa en fase tardía es, en realidad, la forma más cara que existe de fracasar. Toda ventaja competitiva real en este sector se mide en una sola variable: cuántos de tus candidatos llegan vivos al final. Y es precisamente sobre esa variable donde los dos enfoques que compiten hoy arrojan resultados radicalmente distintos.
La promesa de diseñar desde cero, y por qué la realidad ha sido más terca
El enfoque que más capital ha atraído en los últimos años es el de la IA pura. Docenas de compañías biotecnológicas, financiadas con miles de millones en capital riesgo, prometen diseñar anticuerpos completamente desde cero usando inteligencia artificial. Su argumento es que pueden superar las limitaciones de la biología natural creando bibliotecas sintéticas de secuencias y usando algoritmos para identificar los candidatos óptimos. La idea es muy atractiva, y entiendo perfectamente por qué ha enamorado al mercado: velocidad de descubrimiento sin precedentes, control total sobre las propiedades de la molécula, y la capacidad teórica de atacar objetivos que la naturaleza nunca ha visto. Algunas han llegado a afirmar que pueden reducir el desarrollo de años a meses. Estaríamos hablando de la guerra anticuerpos biológicos (AbCellera) VS anticuerpos sintéticos (propuestos por IA).
Sin embargo, la realidad ha sido más compleja. Un estudio del laboratorio de Wei Wang en la Universidad de California San Diego, publicado en 2025 en Advanced Science, comparó su pipeline RESP2 con técnicas populares de IA generativa sobre los mismos conjuntos de datos. Los resultados fueron sorprendentes: “RESP2 identifica consistentemente secuencias que se unen más fuertemente a grupos de antígenos objetivo que cualquier secuencia presente en el conjunto de entrenamiento, con tasas de éxito ≥ 85%”. Como comparación, las técnicas populares de inteligencia artificial generativa logran tasas de éxito ≤ 1.5%” (Parkinson et al., Advanced Science, 2025; DOI original: 10.1101/2024.07.30.605700).
Aunque este estudio se enfoca en una comparación metodológica específica usando datos sintéticos del database Absolut!, ilustra claramente la brecha entre las promesas de la IA pura y su rendimiento real en descubrimiento de anticuerpos; al menos a fecha de 2026.
Y hay una razón profunda detrás de esa brecha. La inteligencia artificial, por potente que sea, solo es tan buena como los datos con los que se entrena. En biología, los datos de alta calidad - reales, experimentales, validados - son escasos, caros y difíciles de generar. Un modelo que intenta diseñar anticuerpos desde cero sin un caudal constante de datos biológicos de calidad es, en la práctica, un modelo que adivina con elegancia (todos lo hemos sufrido hablando con la IA). Esto no significa que la IA no sirva; significa que sin biología detrás, le falta el combustible. Este es exactamente el punto que separa a los dos bandos.
“¿Y qué más da fallar, si la IA genera infinitos candidatos?”
Llegados a este punto, es muy razonable hacerse una pregunta que a mí mismo me rondó al investigar todo esto. Si la inteligencia artificial puede generar candidatos prácticamente gratis y por millones, ¿qué importa que su tasa de éxito sea del 1,5%? Bastaría con generar cien veces más candidatos para compensar la baja probabilidad de cada uno. Es una intuición tentadora, pero esconde un error de razonamiento que conviene desmontar, porque es precisamente el malentendido sobre el que se ha construido buena parte de la narrativa de la IA pura.
El error consiste en confundir el coste de generar un candidato con el coste de validarlo. Generar secuencias en un ordenador es, efectivamente, casi gratis e ilimitado. Pero una secuencia generada por un algoritmo no es un medicamento: es una hipótesis. Y cada hipótesis hay que probarla en el mundo real, primero en el laboratorio y después, si sobrevive, en seres humanos. Ahí es donde la economía se da la vuelta por completo, porque validar es carísimo y no escala con un click. Una fase 1, la más temprana y pequeña, ronda de media los 4 millones de dólares. Una fase 2 se mueve habitualmente entre 7 y 20 millones. Y una fase 3, la decisiva, puede ir desde 20 millones hasta superar holgadamente los 100. El coste por paciente en los estudios pivotales supera con frecuencia los 40.000 dólares. Y todo esto sin contar que el proceso completo, desde el laboratorio hasta el paciente, se extiende a lo largo de más de una década.
Cuando uno cruza estos dos hechos - generar es gratis pero validar es ruinoso - la supuesta ventaja de las “infinitas posibilidades” se desmorona. El cuello de botella nunca estuvo en cuántos candidatos eres capaz de imaginar, sino en cuántos puedes permitirte llevar al laboratorio y a la clínica. Nadie tiene el presupuesto para validar experimentalmente cien candidatos malos con la esperanza de que uno funcione: el dinero se agota mucho antes. Por eso una tasa de éxito baja no es un inconveniente menor que se compense con volumen, sino un defecto que invalida el modelo económico entero. Si de cada cien candidatos que propones solo uno o dos son viables, estás obligando a tu socio farmacéutico a financiar noventa y ocho callejones sin salida, cada uno potencialmente millonario, antes de dar con algo aprovechable. Ninguna directiva sensata firma eso.
Aquí es donde la lógica se invierte respecto a lo que dicta la intuición. En el descubrimiento de fármacos no gana quien genera más candidatos, sino quien genera mejores candidatos: quien consigue que una proporción alta de lo que entra en el embudo caro de la validación llegue vivo al final. Una tasa de éxito elevada no es un lujo estadístico, es lo que determina si la inversión en cada fase tiene sentido. Y por eso el dato de RESP2 importa tanto más allá de su tecnicismo: lo que está diciendo, traducido al lenguaje de un inversor, es que el enfoque que prioriza la calidad del candidato - apoyándose en la biología - protege el capital que se va a quemar en las fases clínicas, mientras que el enfoque que solo prioriza la cantidad lo expone a un desperdicio insostenible.
La apuesta de AbCellera: dejar que la evolución haga el trabajo duro
AbCellera no inventó la idea de usar sistemas inmunitarios para descubrir anticuerpos. Lo que hizo fue revolucionar la escala a la que esto puede hacerse. Durante décadas, los científicos han inmunizado ratones y otros animales contra objetivos específicos, dejando que el sistema inmunitario natural produzca anticuerpos. El problema era que los métodos tradicionales de cribado solo podían capturar menos del 1% de la diversidad disponible en una respuesta inmunitaria. Era como buscar oro en un río gigantesco pudiendo examinar solo una taza de agua al día.
La compañía desarrolló una tecnología de microfluídica capaz de analizar millones de células inmunitarias individualmente y de forma simultánea. Es como si hubieran inventado una máquina que examina el río entero de una sola vez, identificando no solo las pepitas más grandes, sino tipos de oro que nadie sabía que existían. Donde un competidor tradicional procesa miles de células por programa, AbCellera procesa millones.
Lo que hace esta filosofía tan sólida es que está respaldada por la propia evolución. Los anticuerpos que emergen de respuestas inmunitarias naturales han sido “probados” durante millones de años de selección natural: tienden a unirse con fuerza a su objetivo, se fabrican con facilidad y rara vez causan efectos secundarios graves, ya que el cuerpo ya los reconoce como propios. Y el dato que ancla todo esto es contundente: según la documentación de la propia AbCellera, aproximadamente el 92% de todos los fármacos de anticuerpos aprobados se han derivado de sistemas inmunitarios naturales, no de diseño puramente sintético.
Los ratones de Trianni
En noviembre de 2020 la compañía adquirió Trianni, y con ella el acceso exclusivo a una de las herramientas biológicas más sofisticadas del sector. No es “otra plataforma más de ratones transgénicos”, sino bioingeniería de precisión diseñada específicamente para el descubrimiento moderno de anticuerpos, y aquí reside buena parte del valor de la compañía.
El producto insignia, el ratón Trianni, se desarrolló con un diseño in silico propietario de los genes de anticuerpos que dio lugar a una estructura genética novedosa, pensada para maximizar la diversidad de anticuerpos generados. Pero lo verdaderamente interesante es que AbCellera no se quedó ahí, sino que construyó toda una suite de ratones especializados, cada uno diseñado para resolver un problema concreto. El ratón HCO produce anticuerpos compuestos solo por cadenas pesadas, más pequeños, capaces de acceder a sitios del objetivo que las moléculas grandes no alcanzan por restricciones de espacio. El ratón All-Epitope supera la tolerancia inmunitaria frente a antígenos muy parecidos a las proteínas del propio ratón, lo que permite atacar objetivos de altísimo valor y extremadamente difíciles, como los GPCRs y los canales iónicos. El ratón DD permite descubrir anticuerpos con regiones CDR3 largas, capaces de alcanzar zonas “ocultas” de los objetivos. Y el ratón Eazysort enriquece desde el principio las células que reconocen el objetivo, haciendo mucho más eficiente el cribado posterior.
¿Por qué dedico tanto espacio a una colección de ratones modificados? Porque esta diversidad de plataformas biológicas es prácticamente imposible de replicar para un competidor puramente computacional - no tiene biología - y extremadamente costosa y lenta de desarrollar para uno tradicional. Cada uno de estos animales representa años de trabajo y un conocimiento acumulado que no se compra en el mercado. Es justamente el tipo de foso defensivo, silencioso y poco glamuroso, que se subestima.
La prueba del algodón: el COVID bajo presión extrema
A las historias sobre tecnología les suele faltar lo más importante: una prueba real, bajo presión, de que la cosa funciona cuando de verdad importa. AbCellera tiene esa prueba en uno de los escenarios más exigentes que se recuerdan.
En marzo de 2020 el mundo necesitaba un tratamiento contra un virus completamente nuevo, y lo necesitaba en meses, no en años. Los métodos tradicionales habrían tardado demasiado. Los métodos puramente computacionales no tenían datos previos sobre el virus con los que entrenar sus algoritmos - de nuevo, sin datos no hay modelo- . AbCellera aplicó entonces su enfoque integrado de la única forma que tenía sentido: tomaron una muestra de sangre de un paciente recuperado, usaron su plataforma para analizar 5,8 millones de células individuales, identificaron más de 500 anticuerpos únicos contra el virus y emplearon el análisis computacional para seleccionar los candidatos más prometedores.
El resultado fue bamlanivimab, que se convirtió en el primer anticuerpo monoclonal en llegar a ensayos clínicos contra el COVID y el primero en recibir autorización de emergencia de la FDA. Desde su autorización, se administró a aproximadamente un millón de pacientes, previniendo potencialmente decenas de miles de hospitalizaciones y muertes. No fue un experimento de laboratorio, fue un medicamento real, en pacientes reales y en un plazo récord. Lo importante no es solo el éxito, sino lo que deja entrever: surgió de integrar análisis computacional con experimentación biológica masiva y validación rigurosa. El enfoque híbrido en acción, justo cuando los plazos eran imposibles.
La honestidad como ventaja competitiva
Hay un rasgo de esta compañía que, como inversor, me parece tan valioso como su tecnología, y es su honestidad sobre las limitaciones de la propia IA. En un momento en que medio sector promete que la inteligencia artificial diseñará fármacos en un fin de semana, AbCellera afirma en su documentación oficial que muchas de las afirmaciones asociadas con el descubrimiento de fármacos por IA están por delante de las capacidades actuales. Que una empresa que usa IA de forma intensiva diga esto en voz alta dice mucho de su proceso.
Identifican con precisión las tres limitaciones reales del campo. La primera es la calidad de los datos: sostienen que la promesa de la IA solo se realizará plenamente mediante la acumulación de conjuntos de datos grandes, complejos y de alta calidad. La segunda es la necesidad de integrar experimentación a gran escala con la infraestructura de software y datos. Y la tercera es que la dificultad de construir esa infraestructura robusta está, en su opinión, ampliamente subestimada. Lo interesante es que las tres son, precisamente, lo que ellos llevan años construyendo y lo que sus competidores puramente computacionales no tienen.
Donde la IA aporta valor real hoy, AbCellera la usa sin complejos: para automatizar flujos de trabajo y reducir errores, para detectar patrones ocultos en grandes conjuntos de datos, para predecir cómo se comportará un candidato en fases posteriores y para mejorar de forma continua con cada programa que ejecuta. Cada experimento genera datos propietarios que alimentan sus algoritmos, que a su vez hacen más eficiente el siguiente experimento. Es un círculo virtuoso que se ensancha con el uso, no un activo estático que se deprecia. Y esta postura realista, frente a la sobrepromesa generalizada del sector, para mí es oro.
Evolución, no revolución
Termino con la reflexión que, para mí, resume por qué esta investigación reforzó mi tesis. El relato dominante quiere que el futuro del descubrimiento de fármacos sea una transformación revolucionaria e inmediata, con la IA barriendo los métodos antiguos y diseñando medicamentos desde cero en meses. Pero la evidencia disponible sugiere algo bastante menos espectacular y mucho más sólido: que los próximos cinco a diez años estarán dominados por plataformas híbridas como la de AbCellera, donde la IA seguirá mejorando pero permanecerá fundamentalmente dependiente de datos biológicos de alta calidad y de validación experimental rigurosa. Los métodos puramente sintéticos encontrarán probablemente nichos donde la biología falla, pero no reemplazarán al enfoque híbrido para la mayoría de aplicaciones terapéuticas.
Esto importa enormemente para un inversor. Cuando el mercado se enamora de la narrativa revolucionaria, tiende a sobrevalorar a quienes prometen disrupción inmediata y a infravalorar a quienes construyen la infraestructura que de verdad va a sostener el progreso. La batalla entre el enfoque biológico y el sintético no es realmente una batalla entre el pasado y el futuro, sinosuna tensión entre dos formas de aprovechar tanto la sabiduría evolutiva como la potencia computacional. Como hemos visto, AbCellera ha elegido un camino que reconoce las limitaciones actuales de la inteligencia artificial mientras explota sus fortalezas reales.