- La IA de una startup propiedad de Alphabet está acelerando la búsqueda de nuevos medicamentos.
- La tecnología, llamada AlphaFold2, ha sido utilizada por más de 1 millón de investigadores para estudiar proteínas.
- Varias nuevas empresas de biotecnología esperan llevar la IA aún más lejos para desarrollar curas.
- ¿Ya conoces nuestra cuenta de Instagram? Síguenos.
Después de más de una década de descifrar imágenes borrosas, un avance de la inteligencia artificial trajo claridad a Matthew Higgins.
Higgins, profesor de la Universidad de Oxford, se enfrentaba a un dolor de cabeza clásico entre los científicos: descubrir cómo son las proteínas.
Las técnicas tradicionales produjeron solo vagas siluetas de la forma de una proteína, lo que dejó a Higgins desconcertado. Pero al usar una nueva tecnología de inteligencia artificial llamada AlphaFold2, descifró la forma de una proteína clave utilizada por el parásito que causa la malaria; un némesis que su laboratorio ha combatido desde mediados de la década de 2000.
Sin AlphaFold, «probablemente aún lo estaríamos intentando, para ser honesto», dijo a Insider.
Ese avance el año pasado ayudó a Higgins a desarrollar una vacuna experimental contra la malaria que ahora se está probando en personas. En otro proyecto de investigación, Higgins usó AlphaFold2 para ver la forma de una proteína diferente de la malaria.
Eso lo ayudó a desarrollar una segunda inyección experimental, que comenzará a estudiarse en personas a finales de este año. Las vacunas podrían ser un avance crucial contra una enfermedad que mata a más de 600,000 personas al año, principalmente niños pequeños.
La inteligencia artificial está revolucionando los campos de la ciencia y la medicina
Los logros de Higgins ilustran con qué rapidez AlphaFold2 —una tecnología de predicción de la forma de las proteínas— está revolucionando la ciencia y la medicina. En unos pocos años, DeepMind, la startup de inteligencia artificial propiedad de Alphabet detrás de AlphaFold, ha pasado de dominar las competencias de juegos de mesa a resolver uno de los mayores desafíos de la biología. Ahora esta tecnología la utiliza más de 1 millón de investigadores, desde universitarios hasta los de grandes farmacéuticas.
«AlphaFold ha provocado una ola de innovación al mostrarle a la gente lo que es posible», dijo Chris Bahl, científico jefe de AI Proteins, una empresa nueva de Boston que utiliza AlphaFold para desarrollar medicamentos.
Los líderes de DeepMind parecen tener sus propias ambiciones de largo alcance. Se asociaron con un centro de investigación biomédica líder y comenzaron una compañía de biotecnología; sin embargo, revelaron pocos detalles sobre estos esfuerzos más allá de una visión ambiciosa pero general de cambiar la manera en que se desarrollan los medicamentos.
«AlphaFold, por increíble que sea, es solo el comienzo», dijo Demis Hassabis, CEO de DeepMind, en un podcast el año pasado.
De dominar los juegos de mesa a cambiar la historia científica
Casi todos los medicamentos actuales se enfocan en las proteínas. Debido a ellos, conocer sus formas es clave para aprender más sobre las enfermedades y cómo detenerlas.
Antes de AlphaFold, encontrar la forma de una proteína era una tarea insoportable.
Tradicionalmente, los investigadores cristalizaban la proteína, convirtiéndola en una forma salada que algunas proteínas resisten notoriamente. Si ese paso funcionó, explotaron cada cristal con rayos X, observando cómo los electrones rebotaban para generar una imagen. A través de muchas rondas de este proceso, los científicos pueden hacerse una idea de la forma 3D de una proteína.
Un estudiante de doctorado puede pasar uno o dos años produciendo una nueva estructura, dijo Higgins; y, a menudo, el resultado es confuso e inconcluso.
Hassabis centró su atención en las proteínas en 2016, el año en que su programa DeepMind AI saltó a la conciencia pública al vencer a un jugador de clase mundial en Go, un juego de mesa chino.
Un niño prodigio del ajedrez y evangelista de la IA, Hassabis fundó DeepMind en 2010 con el objetivo de construir sistemas de inteligencia artificial que pudieran realizar ciertas tareas tan bien como los humanos, o mejor. Después de la victoria de su IA en Go, Hassabis y David Silver, uno de los principales científicos de DeepMind, decidieron que era hora de pasar de los juegos a los problemas del mundo real.
Décadas de trabajo del biólogo John Moult allanaron el camino para la entrada de DeepMind en la biología. En 1994, inició una reunión para investigadores que trabajan en estructuras de proteínas, llamada «Evaluación crítica de la predicción de estructuras». Moult les daría a los equipos participantes un conjunto de proteínas y calificaría sus predicciones con precisión, con la esperanza de que una competencia pudiera estimular el progreso.
DeepMind hizo su primer intento público en una reunión de CASP en 2018. La primera versión de AlphaFold ganó la competencia y superó el estándar mundial. En el concurso, el ganador suele hacer una predicción con una precisión de alrededor del 40%; AlphaFold llegó al 60%.
Perfeccionando la inteligencia artificial
Si bien eso llamó la atención, las predicciones de AlphaFold tenían muchos errores. Hassabis quería hacerlo mejor.
Unos meses antes de que se anunciaran los resultados de CASP, John Jumper, uno de los principales científicos detrás de AlphaFold, se reunió con su equipo para trazar mejoras incrementales en la tecnología. Hassabis se detuvo inesperadamente para desafiarlos.
«Dijo algo hasta el punto de, ‘¿Vamos a resolver este problema, o es demasiado difícil y tenemos que encontrar algo más que hacer?'», dijo Jumper.
Esa conversación llevó a Jumper a desechar la primera versión de AlphaFold y comenzar desde cero. AlphaFold2 se construyó con mucho más conocimiento biológico y físico de las proteínas, dijo Jumper.
En el próximo CASP, en 2020, AlphaFold2 predijo estructuras de proteínas con una precisión de casi 90%. Los expertos lo consideraron efectivo para resolver el problema. El organizador de la conferencia dejó en claro que ningún otro equipo estuvo cerca.
«Ese fue el momento en que supe que habíamos cambiado la historia científica», dijo Jumper.
AlphaFold2 ha experimentado un crecimiento explosivo en el mundo de las ciencias de la vida
En los meses posteriores a CASP, DeepMind se movió rápido.
El equipo predijo las 20,000 proteínas del cuerpo humano en la Navidad de 2020. Esos resultados se publicaron en julio de 2021 —junto con el código del software— en un artículo fundamental de Nature que se ha citado más de 8,800 veces, o unas 15 veces al día.
Hassabis ha dicho que la decisión de lanzar libremente AlphaFold2 fue para maximizar su beneficio para la humanidad. DeepMind opera como una subsidiaria de Alphabet y, según informó CNBC, ha ganado dinero vendiendo software y servicios a otras compañías de Alphabet, como YouTube y Google.
Millones de predicciones
Luego, Hassabis lanzó la startup de biotecnología Isomorphic Labs en 2021 para sumergirse en la investigación de fármacos. Mientras tanto, AlphaFold2 siguió funcionando, publicando 200 millones de predicciones de estructuras de proteínas en el verano de 2022.
El ritmo de la investigación está creciendo rápidamente. Solo cuatro artículos hicieron referencia a AlphaFold en 2020, según PubMed, un catálogo de investigación biomédica. Esa cifra aumentó a 92 artículos en 2021 y 546 en 2022. La cifra está en camino de aumentar a más de 1000 artículos para 2023.
Varias biotecnologías ahora usan AlphaFold2 para desarrollar medicamentos, y algunas extienden la idea a nuevas áreas de la biología.
Raphael Townshend trabajó en AlphaFold como pasante de DeepMind en 2019 cuando estaba terminando un doctorado en Stanford en informática. Ahora dirige una startup en San Francisco llamada Atomic AI, que busca desarrollar lo que él llama «AlphaFold par el ARN».
Atomic predice la estructura de las moléculas de ARN, con la esperanza de desarrollar medicamentos utilizando estos conocimientos. El ARN lee las instrucciones contenidas en nuestro código genético —conocido como ADN— para crear proteínas en el cuerpo.
Otras biotecnologías están utilizando AlphaFold en combinación con otras tecnologías de IA para identificar de forma rápida y económica posibles nuevos medicamentos.
Armas contra el cáncer
La startup Insilico Medicine, por ejemplo, usó su propio sistema de inteligencia artificial junto con AlphaFold para diseñar moléculas que podrían bloquear una proteína relacionada con el cáncer de hígado. Creó una de esas moléculas y usó pruebas de laboratorio para confirmar que podría funcionar. La compañía publicó esa investigación en enero.
El CEO Alex Zhavoronkov le dijo a Insider que su equipo tardó alrededor de 50 días y gastó menos de 100,000 dólares para pasar de encontrar ese objetivo farmacológico a diseñar un medicamento y probarlo en un laboratorio. Zhavoronkov dijo que creía que esta velocidad era un récord en el desarrollo de fármacos.
«AlphaFold es un descubrimiento brillante, pero es una de las piezas de un enorme rompecabezas de Lego que debes tener para lanzar con éxito un fármaco en el mercado», dijo a Insider Zhavoronkov, que guarda una foto de Hassabis en su oficina.
A pesar de la emoción, existen límites para el potencial de la IA en la biotecnología.
En el caso de Insilico, la compañía no planea hacer avanzar su fármaco en estudios con humanos debido al costo de los ensayos clínicos. Si bien la IA facilita la creación rápida de posibles fármacos, el proceso de probarlos en animales y humanos aún requiere muchos años y cientos de millones de dólares.
Y las predicciones de AlphaFold no siempre son perfectas. Higgins de Oxford dijo que usó experimentos de laboratorio para verificar las predicciones de la IA y que desconfía de los trabajos de investigación que dependen únicamente de las predicciones de AlphaFold, sin validación experimental.
Los próximos usos serán ‘progresivamente más difíciles’ ya que DeepMind es muy secretivo sobre su trabajo futuro
A pesar de esas limitaciones, AlphaFold2 ha demostrado ser un gran avance, incluso despertando la charla del Premio Nobel, especialmente después de ganar el Premio Breakthrough de 3 millones de dólares en 2022.
Los próximos grandes problemas biológicos en el radar de DeepMind son más misteriosos, aunque la compañía ha realizado algunas investigaciones sobre genética y la predicción de interacciones proteicas más complejas.
Pedro Domingos, profesor de informática de la Universidad de Washington, dijo que tendría sentido que el equipo de AlphaFold trabajara en el siguiente nivel de problemas biológicos, como la forma en que las proteínas interactúan con otras proteínas o moléculas pequeñas.
«Se volverá progresivamente más difícil, y no está claro si el enfoque actual de DeepMind, o incluso el estado actual de la IA, está a la altura», dijo Domingos a Insider en un correo electrónico. «Pero la IA también seguirá progresando rápidamente, y la gente de DeepMind es muy buena, así que soy optimista».
Jumper de DeepMind dijo que su equipo AlphaFold se centró en tratar de eliminar los próximos grandes obstáculos en la investigación biológica. Exactamente cuáles sigue siendo un secreto.
«Tengo mis teorías sobre adónde puede llegar esto y las tecnologías y lo que ahora es posible que de alguna manera me mantendré para mí», dijo Jumper.
TAMBIÉN LEE: Cómo invertir en inteligencia artificial, según ChatGPT
