La toma de decisiones en materia de atención médica y ciencias biológicas depende cada vez más de datos multimodales para diagnosticar enfermedades, prescribir medicamentos y predecir los resultados del tratamiento, desarrollar y optimizar terapias innovadoras con precisión. Los enfoques tradicionales analizan datos fragmentados, como las 'ómicas para el descubrimiento de fármacos, imágenes médicas para diagnóstico, informes de ensayos clínicos para validación y registros médicos electrónicos (EHR) para el tratamiento de pacientes. Como resultado, los tomadores de decisiones (CxO, VP, directores) a menudo pasan por alto información crítica oculta en las relaciones entre los tipos de datos. Los avances recientes en IA le permiten integrar y analizar estos flujos de datos fragmentados de manera eficiente para respaldar una comprensión más completa de la terapéutica y la atención al paciente.
AWS proporciona un entorno unificado para modelos de fundamentos biológicos multimodales (BioFM), lo que le permite tomar decisiones más seguras y oportunas en medicina personalizada. Este sistema de IA combina datos biológicos, desarrollo de modelos, computación escalable y herramientas de socios para respaldar el ciclo de vida del desarrollo de fármacos. En esta publicación, exploraremos cómo funcionan los BioFM multimodales, mostraremos aplicaciones del mundo real en el descubrimiento de fármacos y el desarrollo clínico, y contextualizaremos cómo AWS permite a las organizaciones construir e implementar BioFM multimodales.
Modelos de fundamento biológico multimodal.
Los modelos de fundamentos biológicos (BioFM) son modelos de IA previamente entrenados en grandes conjuntos de datos biológicos. Los BioFM demuestran capacidades avanzadas en tareas específicas de atención médica y ciencias de la vida. Los BioFM comúnmente utilizados abarcan los dominios de descubrimiento de fármacos y desarrollo clínico, particularmente en estructura de proteínas y diseño de moléculas (~20%), análisis de datos ómicos que incluyen ADN, epigenética y ARN (~30%), imágenes médicas (15%) y documentación clínica (~35%) (Delile et al. 2025).
Los BioFM unimodales se entrenan exclusivamente en una única modalidad de datos (por ejemplo, secuencias de aminoácidos) para aplicaciones posteriores relevantes, como la predicción de estructuras de proteínas; este avance le valió el Premio Nobel de Química 2024. Los BioFM multimodales se entrenan en múltiples tipos de datos (texto, audio, imagen y video, en adelante "modalidades") y pueden inferir simultáneamente diferentes flujos en un solo modelo (por ejemplo, mensajes de texto para generar nuevas imágenes o hacer coincidir imágenes con subtítulos).
Los ejemplos notables de BioFM multimodal incluyen:
Latent-X1 y Latent-X2 de Latent Labs no solo predicen estructuras 3D de proteínas, sino que también generan nuevos aglutinantes como anticuerpos, péptidos macrocíclicos y miniproteínas y predicen cómo interactúan con los objetivos. Evo 2 del Arc Institute mapea el dogma central de la biología para interpretar y predecir la estructura y función del ADN, el ARN y las proteínas. Nach01 de Insilco Medicine integra lenguaje natural, inteligencia química y datos de estructura molecular 3D para acelerar el descubrimiento de fármacos. M-Optimus de Bioptimus decodifica datos histológicos y clínicos para obtener información biológica valiosa, respaldando múltiples etapas desde la investigación hasta la atención al paciente. MADRIGAL de Harvard y AstraZeneca integra datos estructurales, de vías, de viabilidad celular y transcriptómicos para predecir el resultado clínico de la combinación de fármacos, identificar interacciones adversas y optimizar la gestión de la polifarmacia. El modelo de lenguaje de visión Medical VLM-24B de John Snow Lab procesa notas clínicas, informes de laboratorio e imágenes (rayos X, resonancia magnética, tomografía computarizada) para diagnósticos unificados y contextuales. Modelo básico de imágenes por resonancia magnética (MRI) 3D de GEHC, diseñado para permitir a los desarrolladores crear aplicaciones para tareas como recuperación de imágenes, clasificación, segmentación de imágenes y generación de informes.
La ventaja multimodal
La frontera actual de los modelos traspasa los límites de la comprensión multimodal y las capacidades de generación. Los modelos de uso general como Amazon Nova 2 Omni pueden procesar entradas de texto, imágenes, videos y voz mientras generan texto e imágenes. Esta tendencia multimodal se extiende a los BioFM, donde la combinación de múltiples tipos de datos, como imágenes médicas y documentación clínica, logra una mayor precisión predictiva y una aplicabilidad más amplia en diversos resultados clínicos (Siam et al. 2025).
La integración de diversos tipos de datos biológicos genera ganancias de rendimiento mensurables:
Precisión diagnóstica mejorada: los modelos que integran genómica, imágenes y datos clínicos producen ganancias promedio del 4 al 7 % en el área bajo la curva (AUC) sobre las líneas de base unimodales para diagnósticos (p. ej., Alzheimer, cáncer cerebral) y fenotipos (Sun et al. 2024). Además, los modelos que integran datos de laboratorio, métricas de ejercicio del paciente y notas clínicas durante la evaluación del paciente logran una precisión del 92,74 % con un AUC de 93,21 en la predicción del riesgo cardiovascular (Guo y Wu, 2025). Estrategias terapéuticas dirigidas: se pueden utilizar modelos que integren perfiles genómicos, imágenes médicas e historias clínicas para guiar la selección de intervenciones efectivas para pacientes individuales (Parvin et al. 2025). Esto resulta especialmente impactante para los pacientes con cáncer donde la genómica del tumor y las imágenes radiológicas pueden facilitar decisiones terapéuticas como los regímenes de quimioterapia (Restrepo et al. 2023). Nuevos mecanismos de enfermedad: los modelos multiómicos unicelulares muestran cómo las células cancerosas crecen y resisten los tratamientos dentro de enfermedades de la sangre como la leucemia, lo que ayuda a los médicos a mejorar las tasas de supervivencia al detectar células cancerosas ocultas, rastrear cómo las mutaciones impulsan la progresión de la enfermedad y seleccionar tratamientos personalizados para los pacientes (Kim y Takahashi, 2025). Predicción de riesgos precisa: puede utilizar modelos que integren resultados de laboratorio, medicamentos, notas clínicas y resúmenes de alta y otros datos clínicos para predecir el riesgo de reingreso hospitalario a los 30 días con una precisión del 76%, lo que genera ~$3,4 millones en ahorros netos por hospital al año y, al mismo tiempo, mejora los resultados clínicos generales para pacientes con insuficiencia cardíaca de alto riesgo a través de intervenciones específicas (Golas et al. 2018). Medicina predictiva, preventiva, personalizada y participativa (P4): los modelos que combinan tecnologías sanitarias portátiles con datos de salud del paciente pueden extraer señales objetivo con una precisión del 96 % al 97 % para el diagnóstico de diabetes y enfermedades cardíacas (Mansour et al. 2021).
BioFM en acción en los clientes de AWS
Estas mejoras en el rendimiento explican por qué las organizaciones biofarmacéuticas líderes están adoptando cada vez más BioFM multimodales. Las principales organizaciones biofarmacéuticas invierten en BioFM para analizar datos biológicos (Merck y Novo Nordisk), genómicos (AstraZeneca), patológicos (Bayer) y clínicos (Roche). Puede obtener hasta un 50 % de ahorro de costos y tiempo para el desarrollo de fármacos y hasta un 90 % de ahorro de tiempo para el diagnóstico de imágenes médicas al utilizar estos modelos de IA especializados (State of the Art-ificial Intelligence 2025, Jeong et al. 2025). Los BioFM multimodales son prometedores en múltiples etapas de la cadena de valor de la atención médica y las ciencias biológicas (Figura 1).
Figura 1. Los BioFM multimodales integran varios tipos de datos biológicos (por ejemplo, proteínas, moléculas pequeñas, ómicas, imágenes, sensores, documentación clínica) para impulsar aplicaciones durante todo el ciclo de vida del desarrollo de fármacos (investigación, desarrollo clínico, fabricación, comercial).
Para profundizar más, hemos seleccionado dos casos de uso: descubrimiento de fármacos y desarrollo clínico.
Diseño de proteínas terapéuticas para objetivos de enfermedades no farmacológicas. Los BioFM multimodales que integran predicciones computacionales, biología estructural y validación biofísica permiten nuevos enfoques para objetivos proteicos previamente inaccesibles (Figura 2). Las primeras aplicaciones predijeron estructuras 3D, pero tuvieron problemas con objetivos multidominio que presentaban epítopos discontinuos. El descubrimiento avanzado de fármacos ahora integra bucles iterativos de diseño, fabricación, prueba y análisis (DMTA) que abarcan datos estructurales, computacionales y biofísicos. Los datos estructurales de proteínas 3D capturados mediante microscopía crioelectrónica (Cryo-EM) se evalúan junto con métricas computacionales como la puntuación de modelado de plantilla predicha de la interfaz (iPTM), el error alineado predicho de la interfaz (iPAE) y la desviación cuadrática media (RMSD) y luego se validan con medidas biofísicas como curvas de dosis-respuesta, interferometría de biocapa (BLI) y ensayo inmunoabsorbente ligado a enzimas (ELISA) para acelerar y eliminar riesgos en el descubrimiento de fármacos. Por ejemplo, el circuito integrado “IA-humano-laboratorio húmedo” de Onava representa un paso adelante en este espacio al combinar IA generativa para el diseño de proteínas de novo con una validación experimental rápida a través de una estrategia de “expansión de epítopos”, comprimiendo los plazos desde el diseño hasta la validación de meses a semanas (Calman et al. bioRxiv 2025). Puede desarrollar productos biológicos de próxima generación utilizando BioFM multimodales como Latent Labs Latent-X2 y Chai Discovery Chai-2 a través de servicios de AWS, incluidos Amazon Bio Discovery, Amazon SageMaker AI para entrenar modelos generativos, Amazon Elastic Compute Cloud (EC2) para inferencia de modelos, Amazon Simple Storage Service (Amazon S3) para almacenar datos estructurales y experimentales, Amazon Elastic File System (EFS) para bibliotecas de diseño compartidas y Amazon Virtual Private Cloud (VPC) para infraestructura segura.
Figura 2. Los BioFM multimodales integran la estructura de proteínas 3D, métricas computacionales y mediciones biofísicas a través de bucles iterativos de validación de diseño para acelerar el descubrimiento de proteínas terapéuticas para objetivos de enfermedades multidominio no farmacológicas.
Predecir la resistencia a la inmunoterapia en pacientes con cáncer durante el desarrollo clínico. Los desarrolladores de BioFM multimodal trabajan para abordar la tasa de fracaso de los ensayos clínicos del 90 % en oncología. Los BioFM multimodales actuales simulan microambientes tumorales mediante la integración de secuenciación, datos unicelulares, biología espacial y registros de pacientes para descubrir mecanismos de resistencia que reduzcan el abandono de tratamientos ineficaces por parte de los pacientes y descubran nuevos objetivos terapéuticos para subgrupos de pacientes que antes no eran tratables (Figura 3). Por ejemplo, Oncology Counterfactual Therapeutics Oracle (OCTO) de Noetik simuló 873 000 células inmunitarias virtuales en 1399 tumores de pacientes y reveló por qué los pacientes con cáncer de pulmón con mutaciones de los genes KRAS y STK11 desarrollan entornos de "frío inmunológico" que bloquean la eficacia de la inmunoterapia (Xie et al. Póster presentado en SITC 2025). En particular, Noetik logró un tiempo de capacitación un 40 % más rápido y duplicó la velocidad de procesamiento a través de la infraestructura tolerante a fallas de Amazon SageMaker HyperPod en AWS con GPU NVIDIA H100. Puede crear sus propios BioFM multimodales y adoptar un enfoque similar utilizando Amazon SageMaker HyperPod para el entrenamiento de IA distribuida en GPU, Amazon Elastic Compute Cloud (EC2) para capacidad informática, Amazon Simple Storage Service (Amazon S3) para almacenamiento de datos y Amazon Athena para analizar petabytes de datos de pacientes.
Figura 3. El enfoque BioFM multimodal combina secuenciación, transcriptómica espacial, patología y registros de pacientes para simular microambientes tumorales y priorizar subpoblaciones de pacientes, lo que potencialmente reduce los fracasos de los ensayos en las primeras fases.
Solución: entorno AWS para BioFM multimodales
AWS proporciona un entorno unificado para crear, capacitar e implementar BioFM multimodales que lo ayudan a convertir datos de atención médica y ciencias biológicas en información procesable. Este entorno consta de cuatro capas: una solución de inteligencia artificial para el desarrollo de modelos, una base de datos unificada para la gestión de datos biológicos, una infraestructura escalable para computación y almacenamiento e integraciones de socios que amplían las capacidades a lo largo del ciclo de vida del desarrollo de fármacos.
Sistema de IA Amazon Bio Discovery proporciona a los científicos acceso directo a agentes de IA que seleccionan los BioFM correctos, optimizan los insumos, evalúan candidatos, los envían a socios de laboratorio para realizar pruebas y devuelven automáticamente resultados para su refinamiento en un ciclo de laboratorio que genera conocimiento institucional. Amazon SageMaker HyperPod ofrece infraestructura de capacitación distribuida para modelos a gran escala. Amazon SageMaker AI complementa esto con herramientas de explicabilidad integradas, detección de sesgos y pistas de auditoría integrales para respaldar la confianza regulatoria necesaria desde el desarrollo del modelo hasta la implementación de la producción. Amazon Nova Forge, lanzado en AWS re:Invent 2025, utiliza la familia de modelos Amazon Nova como punto de partida para entrenar en puntos óptimos para maximizar el aprendizaje de conjuntos de datos propietarios y al mismo tiempo minimizar la capacitación y la capacitación previa continua. Amazon Bedrock AgentCore incluye el servicio Runtime para alojar agentes de investigación profunda de larga duración y el servicio Gateway para conectar agentes de forma segura a modelos BioFM y otras herramientas específicas de dominio. Unified Data Foundation AWS HealthOmics puede orquestar flujos de trabajo de IA de varios pasos y manejar datos ómicos (ADN, ARN, proteómica) a escala de petabytes, sirviendo como una columna vertebral de datos biológicos que impulsa los flujos de trabajo de BioFM multimodales. AWS HealthLake y AWS HealthImaging agregan datos heterogéneos en lagos gobernados, automatizando la armonización entre registros clínicos e imágenes médicas (radiología, patología). AWS Data Exchange y AWS Lake Formation brindan acceso de “búsqueda, compra y servicio” a conjuntos de datos federados de Epic, Snowflake y fuentes patentadas, lo que revela mecanismos de enfermedades en cáncer, enfermedades raras y ensayos clínicos sin integración manual. AWS Clean Rooms permite el aprendizaje federado manteniendo la soberanía de los datos. Infraestructura escalable
Soluciones de socios de AWS y soporte de implementación
Puede implementar BioFM multimodales prediseñados de socios como NVIDIA directamente a través de AWS. Combine estos microservicios NVIDIA NIM listos para producción con servicios de imágenes elegibles para HIPAA de AWS, capacidades de razonamiento multimodal y canales de genómica paralelos para crear aplicaciones integrales desde el descubrimiento hasta la clínica. Ejemplos de BioFM multimodales asociados incluyen:
MONAI Multimodal: los modelos combinan diversos datos de atención médica, incluidos CT, MRI, rayos X, ultrasonido, EHR, documentación clínica, estándares DICOM, secuencias de video e imágenes de diapositivas completas, para permitir el análisis multimodal para investigadores y desarrolladores. NVIDIA Cosmos: grandes modelos multimodales para la ciencia y la medicina. Modelos como NVIDIA Cosmos Reason-1-7B podrían usarse para el entrenamiento en robótica quirúrgica generando conjuntos de datos sintéticos que combinen modelos anatómicos 3D, datos de sensores basados en la física (cámaras de ultrasonido/RGB) y variación de procedimientos. La-Proteina: utiliza tanto la secuencia de proteínas como información estructural 3D a nivel de átomos para diseñar proteínas grandes y precisas, por lo que puede describirse razonablemente como un modelo de proteína multimodal (secuencia + estructura).
Puede consultar con socios de implementación como Loka, Deloitte y Accenture sobre la transición de la prueba de concepto a la implementación de producción para casos de uso de BioFM multimodales. Estos socios aportan experiencia especializada en bioinformática, arquitectura de nube y cumplimiento normativo para acelerar el tiempo de obtención de valor. Visite la red de socios de AWS para explorar socios calificados adicionales con competencias en atención médica y ciencias biológicas.
Conclusión
Los BioFM multimodales están reinventando lo que podemos descubrir sobre enfermedades, tratamientos y salud humana. Al integrar datos ómicos, imágenes médicas e información clínica, estos modelos revelan conocimientos ocultos que antes eran difíciles de detectar mediante métodos tradicionales. Los responsables de la toma de decisiones ahora pueden tomar decisiones más precisas y seguras en el diagnóstico de enfermedades, la predicción del tratamiento y la optimización terapéutica.
AWS proporciona un entorno unificado para superar las barreras técnicas de la construcción e implementación de BioFM multimodales a escala. En lugar de invertir en soluciones de IA fragmentadas y de un solo uso para cada área terapéutica o aplicación clínica, puede aprovechar modelos básicos reutilizables que se adaptan a la terapia y la atención al paciente. Este sistema reduce el tiempo de obtención de valor y al mismo tiempo preserva la flexibilidad para adaptarse a medida que surgen nuevas fuentes de datos y casos de uso para BioFM multimodales en terapias y atención al paciente.
Para obtener más información sobre el uso de AWS para la capacitación o inferencia de BioFM en un contexto médico o terapéutico, comuníquese con un representante de AWS Life Sciences.
Lectura adicional
Sobre los autores
Kristin Ambrosini
Kristin Ambrosini es especialista en IA generativa en atención médica y ciencias biológicas en Amazon Web Services. Lidera la comercialización de BioFM para acelerar el descubrimiento de fármacos y mejorar la atención al paciente. Combina experiencia científica, fluidez técnica y conocimiento estratégico para impulsar la innovación en la atención médica y las ciencias biológicas. Kristin tiene un doctorado. en Ciencias Biológicas y aporta experiencia práctica en secuenciación de ADN, terapias contra el cáncer y diagnóstico viral, lo que le brinda una perspectiva única sobre los desafíos y oportunidades que los BioFM multimodales están diseñados para resolver.
Brian Leal
Brian Loyal es arquitecto principal de soluciones de IA/ML en el equipo de ciencias biológicas y atención médica global de Amazon Web Services. Tiene más de 20 años de experiencia en biotecnología y aprendizaje automático y le apasiona utilizar la IA para mejorar la salud y el bienestar humanos.
Mike Tarselli
Mike Tarselli es líder especialista en inteligencia artificial y datos de ciencias biológicas y atención médica en Amazon Web Services. Ha pasado más de 25 años en la industria biofarmacéutica. Como líder en IA y estrategia de datos, trabaja con equipos científicos y técnicos para ayudarlos a hacer realidad su visión, mientras adoptan el rápido ritmo y la enormidad de la IA.
Zheng Yang
Zheng Yang es el director global de estrategia de IA/ML para atención médica y ciencias biológicas en AWS. Aporta más de 25 años de experiencia en el desarrollo de soluciones de IA/ML en toda la cadena de valor de las ciencias biológicas. Antes de AWS, Zheng diseñó soluciones de datos integrales para acelerar el lanzamiento de nuevos medicamentos y defendió la adopción de tecnología en la investigación farmacéutica. Le apasiona utilizar la tecnología para transformar la atención al paciente.