> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Sovereign AI respalda a Potential Sciences para entrenar IA con datos químicos - URL: https://fomoera.com/potential-sciences-ronda-datos-quimicos-ia/ - Published: 2026-11-06T14:00:00.000Z - Updated: 2026-11-06T14:00:00.000Z - Description: La startup británica recibió inversión y acceso a supercómputo para generar datos mediante simulaciones. Su objetivo es identificar moléculas prometedoras antes de probarlas en el laboratorio. - Author: Patricia Rodriguez - Tags: Tecnología y Ciencia, IA La startup británica Potential Sciences obtuvo respaldo del fondo público Sovereign AI para crear datos químicos mediante simulaciones y usarlos en el entrenamiento de inteligencia artificial. La ronda reúne decenas de millones de dólares, según WIRED, y el apoyo del gobierno del Reino Unido incluye acceso a supercomputadoras para desarrollar la tecnología. La empresa, fundada por Hatem Helal, quiere ayudar a los investigadores a identificar moléculas que merezcan probarse como posibles medicamentos. Su apuesta es usar cálculos basados en las leyes de la física para generar datos sobre el comportamiento químico, en lugar de depender únicamente de los resultados ya disponibles de experimentos. El gobierno británico confirmó la inversión el 5 de noviembre de 2026\. El fondo no divulgó cuánto aportó y la compañía tampoco reveló a WIRED el monto exacto de la ronda ni su valoración. Entre los participantes están Twin Path Ventures y Nauta Capital. También invirtieron Patrick Collison, cofundador de Stripe, y Chris Gibson, cofundador y exdirector ejecutivo de Recursion, de acuerdo con el anuncio oficial. ## Datos generados por computadora para estudiar moléculas El enfoque de Potential Sciences parte de un problema de escala. Una IA necesita ejemplos para aprender, pero ampliar los registros experimentales de química requiere trabajo de laboratorio. La empresa busca producir más datos mediante cálculos que simulan propiedades e interacciones de moléculas y después utilizarlos para entrenar modelos capaces de hacer predicciones útiles para los investigadores. Esas predicciones podrían servir para descartar antes algunos candidatos poco prometedores. Helal explicó a WIRED que busca anticipar cómo se comportarían las moléculas al interactuar con la biología humana. Una predicción, por sí sola, no demuestra que un compuesto sea seguro ni eficaz en una persona. Según Nauta Capital, la empresa adaptó software de química cuántica para ejecutarlo en unidades de procesamiento gráfico, o GPU. El inversionista afirma que su sistema puede realizar ciertos cálculos a un costo 100 veces menor que las implementaciones tradicionales. La comparación se refiere a esos cálculos, no al costo completo de llevar un medicamento al mercado. El comunicado de Nauta tampoco presenta una validación independiente de la cifra ni detalla las condiciones de la comparación. El financiamiento se destinará a ampliar el equipo de investigación y el conjunto de datos, así como a entrenar los primeros modelos de la empresa, informó Nauta. Sovereign AI facilitará acceso al AI Research Resource británico, que incluye la supercomputadora Isambard-AI, en Bristol. Helal ya había trabajado con grandes conjuntos de datos químicos antes de fundar la startup. Es coautor de una investigación presentada en NeurIPS en 2023 sobre QM1B, que reunió 1,000 millones de ejemplos de entrenamiento generados mediante cálculos de química cuántica con otro tipo de procesador especializado. Los autores señalaron limitaciones en ese conjunto, incluida la baja resolución de sus opciones de cálculo. El trabajo es un antecedente de la experiencia del fundador, pero no verifica por sí mismo el ahorro que ahora se atribuye al sistema de Potential Sciences. ## Las pruebas de un medicamento siguen siendo necesarias Nauta señala que la startup comienza con la búsqueda de fármacos de molécula pequeña y trabaja en tareas como la optimización de candidatos y la predicción de reacciones. La utilidad de los modelos dependerá de que sus predicciones sean suficientemente precisas para orientar esas decisiones. En Estados Unidos, el proceso descrito por la Administración de Alimentos y Medicamentos (FDA) incluye investigación preclínica con pruebas de laboratorio y en animales, estudios clínicos en personas y una revisión de los datos antes de decidir si se aprueba un medicamento. Peter Wolynes, profesor de química de la Universidad Rice, dijo a WIRED que averiguar cómo actúa un compuesto en animales y personas puede ser mucho más costoso que diseñarlo. La automatización de una parte de la búsqueda no elimina esas etapas de evaluación. La compañía aún no ha decidido cómo obtendrá ingresos de sus tecnologías ni si pondrá sus modelos a disposición del público, reportó WIRED. El posible uso indebido de herramientas capaces de diseñar sustancias figura entre las consideraciones para esa decisión. *Fuentes:* [1](https://www.gov.uk/government/news/sovereign-ai-puts-cash-and-compute-behind-uk-startup-using-ai-to-redefine-chemistry?ref=fomoera.com), [2](https://www.nautacapital.co/news-insights/potential-sciences-eight-figure-round?ref=fomoera.com), [3](https://papers.nips.cc/paper%5Ffiles/paper/2023/hash/ac7f98dd0b342edaf3be79844a180a6b-Abstract-Datasets%5Fand%5FBenchmarks.html?ref=fomoera.com), [4](https://www.fda.gov/patients/learn-about-drug-and-device-approvals/drug-development-process?ref=fomoera.com), [5](https://www.wired.com/story/finding-new-drugs-is-laborious-this-ai-startup-is-skipping-the-lab-work/?ref=fomoera.com)