Lo que queda tres años después del avance de la IA en bioquímica: «Alphafold ha cambiado enormemente el proceso de trabajo»

Bruno Correia normalmente investiga y enseña en la École Polytechnique Fédérale de Lausanne (EPFL), donde crea moléculas artificiales con propiedades especiales. Sobre todo, las proteínas, es decir, las proteínas, los componentes básicos de la vida.

Actualmente está de año sabático en el Instituto Radcliffe en Harvard, por lo que son las 6 a. m. para nuestra entrevista en video, para él. Sin embargo, explica de manera muy vívida y entusiasta lo que la revolución provocada por el programa Alphafold AI ha cambiado en la investigación cotidiana. Es fácil ver por qué fue nombrado el mejor profesor de ciencias de la vida de la EPFL en 2019.

Sr. Correia, muchos han dicho que el programa Alphafold es un gran avance. Con la ayuda de la inteligencia artificial (IA), se podrían desarrollar nuevos medicamentos mucho más rápido. Eso fue en 2020. Tres años después, no se sabe nada sobre los nuevos medicamentos creados con la ayuda de la IA. ¿Por qué?

El programa es sin duda un gran avance en nuestra gran tarea de comprender mejor la biología. Pero el camino a la droga es largo. En lo que el programa es bastante bueno es en predecir qué forma tomará una molécula de proteína si sabes cuál es su estructura química.

¿Por qué es eso importante?

La forma tridimensional de las proteínas dice mucho sobre sus propiedades en biología. Si desea encontrar un fármaco o comprender mejor lo que sucede en un proceso biológico, la estructura tridimensional de las proteínas a menudo ayuda.

Eres un diseñador de proteínas. ¿Cómo está cambiando Alphafold su investigación?

Construyo moléculas de proteína en el laboratorio que no existen en la naturaleza. El campo se llama biología sintética. Yo mismo soy ante todo un investigador básico. Diseño proteínas para comprender mejor cómo funcionan. Pero las proteínas también son interesantes debido a sus aplicaciones médicas: pueden usarse como medicamentos o como vacunas.

Diseñar un nuevo fármaco es como encontrar la llave de una cerradura existente: buscas moléculas que se acoplan en un punto específico de una proteína del cuerpo y cambian su función. Una de las grandes promesas de Alphafold and Co. es que podemos diseñar medicamentos y vacunas más eficientes porque podemos usar la química de una proteína para deducir su estructura y, por ejemplo, poder predecir mejor este acoplamiento.

¿Por qué los laicos notan tan poco de esta mejora?

Alphafold hace una predicción. Por definición, es inseguro. Todavía tenemos que descubrir la estructura 3D de la proteína a través de la experimentación: vas al laboratorio, haces una muestra de la proteína, la refinas y luego hay varias técnicas para determinar la estructura real. La cristalografía de rayos X es una de ellas. Otro es la resonancia magnética nuclear. El tercero es la microscopía crioelectrónica. Por cierto, una persona suiza recibió el Premio Nobel por los dos últimos, en 1991 y 2017.

Gracias a Alphafold, hoy tenemos pronósticos informáticos mucho mejores, pero todavía no son perfectos.

¿Qué tan confiables son los pronósticos hoy?

Especialmente con las caóticas partes de proteínas, no son realmente buenas. Es muy difícil predecir estructuras reales. Además: Los algoritmos informáticos necesitan datos reales como base. Pero todavía no tenemos suficientes datos de moléculas de proteínas reales. Por lo tanto, los algoritmos también tienen debilidades. Este es actualmente el estrecho cuello de botella.

Entonces, ¿no son Alphafold y otros modelos de IA mucho mejores que los métodos anteriores para predecir estructuras de proteínas caóticas?

Eso es correcto. Pero ahora podemos planificar experimentos mucho mejor y con más propósito. Esto ahorra tiempo y recursos.

¿Puede dar un ejemplo?

Si quiero desarrollar una nueva proteína, la modifico en la computadora, por así decirlo, creo varias variantes nuevas. Ahora el modelo de IA sugiere una estructura para cada variante química. Si mi idea y una de estas estructuras encajan bien, entonces sigo probando esta versión en el laboratorio. Si, por el contrario, ninguna de las variantes modificadas tiene el aspecto deseado, ni siquiera tengo que pasar a la fase de laboratorio con ellas. Alphafold ha cambiado enormemente el proceso de trabajo. Podemos clasificar muchas variantes de proteínas imaginarias por adelantado.

Alphafold reduce el esfuerzo en la primera fase al desarrollar nuevas proteínas. Sin embargo, la segunda y la tercera fase, es decir, probar candidatos prometedores en experimentos con animales y luego en estudios clínicos, consumen más tiempo y dinero. ¿Los modelos de IA también ayudan aquí?

Estas segundas y terceras fases son todavía mucho ciencia empírica. No creo que los modelos de IA puedan contribuir mucho aquí en este momento. Los sistemas biológicos son muy complejos. Por lo tanto, es difícil predecir cómo se comportarán las sustancias en las personas, qué pueden desencadenar. Incluso con los algoritmos actuales, sigue siendo difícil.

¿Por qué la IA ha progresado tanto en el plegamiento de proteínas?

Se juntaron varias circunstancias. Teníamos suficientes datos: la estructura de muchísimas proteínas ya había sido determinada en el laboratorio. Así que hubo muchos ejemplos de cómo las secuencias de proteínas se traducen en una estructura, por lo que fue un buen punto de partida. Y luego, algunos de los mejores científicos de IA se hicieron cargo de la pregunta. Deepmind ha estado trabajando en el plegamiento de proteínas durante años y pudo desarrollar un algoritmo adecuado.

Entonces, ¿la clave eran los muchos datos de muestra en los que se podía encontrar un patrón aún desconocido?

Exactamente.

¿Qué otras preguntas hay que cumplan con este requisito?

Bueno, Internet por ejemplo. Contiene una gran cantidad de datos de personas que interactúan con las computadoras. Puedes aprender mucho de esto sobre cómo trabaja la gente. Por supuesto, la IA, que genera voz e imágenes, también es un buen ejemplo en este momento.

¿Qué pasa con el campo de la medicina?

Creo que ahora tenemos la oportunidad de hacer preguntas que son más profundas que nunca. Esto nos permitirá comprender mejor muchas cosas en el futuro. Muchas enfermedades son muy complejas y solo entendemos una parte de lo que está pasando. Pero creo que cuanto más complejo es esto, mejor se puede analizar y explorar con las poderosas herramientas informáticas de hoy. Estos no los teníamos antes.

Muchas enfermedades tienen características individuales. Por lo tanto, los genes de una persona juegan un papel importante en el desarrollo y progresión de la enfermedad. ¿Pueden los modelos de IA ayudar a desarrollar mejores predicciones o terapias?

Sí. Hay muchos datos en medicina: desde muestras de tejido de personas sanas y enfermas, secuencias de genes de estas personas, y luego, en muchos casos, también las reacciones de un paciente a un determinado medicamento y quién se ve afectado por qué. Pero nuestros cerebros no pueden simplemente vincular y evaluar todo. Son demasiadas dimensiones.

Pero un algoritmo informático, basado en IA o no, puede digerirlo todo. Vio una plétora de pacientes, por así decirlo. Luego, basándose en una gran cantidad de datos, puede hacer sugerencias tanto para el diagnóstico como para las posibles terapias. Y adaptado al paciente respectivo. Creo que eso va a tener el mayor impacto en la medicina.