# MedChemBench de OpenAI pone a prueba el razonamiento de la IA en química medicinal

Published 2026-11-21 · AI.info Team · AI.info

> OpenAI ha presentado un benchmark con 99 problemas de química medicinal extraídos de investigaciones publicadas. Las pruebas arrojaron mejores resultados en la reconstrucción de moléculas que en la selección de compuestos o la predicción de sus propiedades.

El nuevo MedChemBench de [OpenAI](https://openai.com/index/introducing-medchembench/) pone a prueba modelos de IA con 99 problemas de química medicinal que les piden interpretar estructuras moleculares y datos experimentales. La empresa informó de que GPT-6.2 Astra obtuvo el 84,5 % de la puntuación posible con el nivel de razonamiento xhigh, mientras que GPT-6 Astra obtuvo el 83,3 %.

## Qué evalúa el benchmark

Presentado el 20 de noviembre, MedChemBench se basa en 117 artículos y patentes e incluye 761 estructuras moleculares distintas. Para la mayoría de los problemas, el modelo recibe la información disponible en un punto concreto de un programa de investigación, incluidos el objetivo biológico, los objetivos de los investigadores, los compuestos estudiados hasta entonces y algunos resultados experimentales seleccionados.

El benchmark evalúa la reconstrucción molecular, las explicaciones científicas, la clasificación y selección de compuestos y la predicción de propiedades. La puntuación de las estructuras comprueba las conexiones entre átomos y la estereoquímica especificada; las explicaciones se evalúan en función de las pruebas proporcionadas. Las predicciones de propiedades se comparan con valores numéricos y categorías del material fuente, incluidas propiedades medidas y calculadas.

Las tareas abordan las disyuntivas que afrontan los químicos medicinales al desarrollar compuestos. Por ejemplo, una molécula que actúa con fuerza contra una proteína relacionada con una enfermedad podría absorberse mal o descomponerse demasiado rápido en el organismo.

## Resultados de distintos modelos

OpenAI evaluó once modelos GPT con distintos niveles de esfuerzo de razonamiento. En el nivel xhigh, común a todos, GPT-6.1 Sol obtuvo el 82,0 % de la puntuación posible en el conjunto del benchmark, GPT-6.1 Terra obtuvo el 75,1 % y GPT-5.6 Sol, el 58,2 %. En su nivel de máximo esfuerzo, GPT-6 Astra alcanzó el 83,8 %.

Según OpenAI, las áreas más sólidas de GPT-6 Astra fueron la reconstrucción de estructuras y la explicación de pruebas científicas. En el nivel xhigh, obtuvo el 95,4 % de los puntos disponibles en estructuras, pero solo cerca de la mitad de los puntos disponibles en selección de compuestos y predicción de propiedades numéricas. Las categorías emplean tareas y reglas de puntuación diferentes.

## Dos problemas en detalle

Uno de los problemas trata sobre inhibidores de PRMT5, una proteína estudiada en la investigación de fármacos contra el cáncer. A partir de estructuras y resultados de experimentos anteriores, el modelo debe predecir cómo se comportan tres compuestos relacionados: con qué intensidad bloquean PRMT5 en células, con qué facilidad atraviesan una barrera celular y con qué rapidez las enzimas hepáticas los descomponen en un ensayo de laboratorio.

En resultados que no se mostraron al modelo, el compuesto 23 bloqueó PRMT5 en células a una concentración menor. El compuesto 24 atravesó la barrera celular con más facilidad y se descompuso más lentamente en el ensayo con enzimas hepáticas. Las predicciones reciben crédito parcial en función de cuánto se aproximan a los valores medidos; además, las mediciones ya incluidas en el prompt también deben reproducirse correctamente.

Otro problema pide a los modelos ensamblar una molécula a partir de una estructura central y dos grupos unidos a ella, conservando un anillo de 18 átomos. OpenAI informó de que GPT-6 Astra la reconstruyó correctamente en sus diez respuestas con el nivel xhigh. GPT-5.6 Sol y GPT-5.6 Luna fallaron en las diez respuestas; las respuestas ilustradas mostraban un anillo más pequeño en el caso del primero y fragmentos desconectados en el del segundo.

## Límites de los resultados

La empresa advirtió que los resultados no permiten determinar si los modelos pueden descubrir nuevos fármacos o mejorar las decisiones de laboratorio. No se puede descartar que los modelos hubieran estado expuestos previamente a las fuentes publicadas, y cada respuesta fue un único intento, sin herramientas, comentarios ni nuevos experimentos. El benchmark evalúa el razonamiento a partir de pruebas históricas, no el descubrimiento de fármacos en el mundo real.

## Fuentes

1. Fuente original [OpenAI](https://openai.com/index/introducing-medchembench/) openai.com

## Empresas en esta noticia

- [OpenAI](https://ai.info/es/companies/openai)

## Noticias relacionadas

- [OpenAI informa de tasas más bajas de extracción del razonamiento en pruebas de GPT-6.2 Astra](https://ai.info/es/news/openai-adversarial-distillation-defenses-gpt-6-2-astra)
- [OpenAI dice que sus modelos mejoraron hasta un 14 % los diseños de GPU de AMD](https://ai.info/es/news/openai-amd-chip-design-gains-risc-v)
- [Un agente de investigación de OpenAI escribió scripts para copiar correos electrónicos sin permiso](https://ai.info/es/news/openai-research-agent-unauthorized-email-copy-scripts)
- [OpenAI afirma que las revisiones de seguridad están ralentizando los lanzamientos de modelos de frontera](https://ai.info/es/news/openai-frontier-ai-safety-reviews-model-releases)
- [Matemáticos debaten la calidad de las demostraciones tras el «apocalipsis matemático» de la IA](https://ai.info/es/news/mathematicians-debate-ai-mathocalypse-mit-panel)

## Explora

[Más artículos](https://ai.info/es/news)

---

Canonical: https://ai.info/es/news/openai-medchembench-medicinal-chemistry-reasoning
