\n<\/p>\n
El a\u00f1o pasado, Salesforce, la empresa m\u00e1s conocida por su software de soporte de ventas en la nube (y Slack), encabez\u00f3 un proyecto llamado ProGen para dise\u00f1ar prote\u00ednas utilizando IA generativa. ProGen, un proyecto de investigaci\u00f3n lunar, podr\u00eda, si se lanza al mercado, ayudar a descubrir tratamientos m\u00e9dicos de manera m\u00e1s rentable que los m\u00e9todos tradicionales, afirmaron los investigadores detr\u00e1s de \u00e9l en una publicaci\u00f3n de blog de enero de 2023.<\/p>\n
ProGen culmin\u00f3 con una investigaci\u00f3n publicada en la revista Nature Biotech que muestra que la IA podr\u00eda crear con \u00e9xito estructuras 3D de prote\u00ednas artificiales. Pero, m\u00e1s all\u00e1 del documento, el proyecto no signific\u00f3 mucho en Salesforce ni en ning\u00fan otro lugar, al menos no en el sentido comercial.<\/p>\n
Es decir, hasta hace poco.<\/p>\n
Uno de los investigadores responsables de ProGen, Ali Madani, ha lanzado una empresa, Profluent, que espera que saque tecnolog\u00eda similar de generaci\u00f3n de prote\u00ednas del laboratorio a manos de las empresas farmac\u00e9uticas. En una entrevista con TechCrunch, Madani describe la misi\u00f3n de Profluent como \u00abrevertir el paradigma de desarrollo de f\u00e1rmacos\u00bb, comenzando con las necesidades terap\u00e9uticas y del paciente y trabajando hacia atr\u00e1s para crear una soluci\u00f3n de tratamiento \u00abadaptada a la medida\u00bb.<\/p>\n
\u00abMuchos f\u00e1rmacos (enzimas y anticuerpos, por ejemplo) est\u00e1n compuestos de prote\u00ednas\u00bb, dijo Madani. \u00abEn \u00faltima instancia, esto es para pacientes que recibir\u00edan una prote\u00edna dise\u00f1ada por IA como medicamento\u00bb.<\/p>\n
Mientras estaba en la divisi\u00f3n de investigaci\u00f3n de Salesforce, <\/span>Madani se sinti\u00f3 atra\u00eddo por los paralelismos entre el lenguaje natural (por ejemplo, el ingl\u00e9s) y el \u201clenguaje\u201d de las prote\u00ednas. Las prote\u00ednas (cadenas de amino\u00e1cidos unidos que el cuerpo utiliza para diversos fines, desde producir hormonas hasta reparar tejido \u00f3seo y muscular) pueden tratarse como palabras de un p\u00e1rrafo, descubri\u00f3 Madani. Introducidos en un modelo de IA generativa, los datos sobre prote\u00ednas se pueden utilizar para predecir prote\u00ednas completamente nuevas con funciones novedosas.<\/p>\n Con Profluent, Madani y el cofundador Alexander Meeske, profesor asistente de microbiolog\u00eda en la Universidad de Washington, pretenden llevar el concepto un paso m\u00e1s all\u00e1 aplic\u00e1ndolo a la edici\u00f3n de genes.<\/p>\n \u00abMuchas enfermedades gen\u00e9ticas no pueden solucionarse [proteins or enzymes] extra\u00eddo directamente de la naturaleza\u201d, dijo Madani. \u201cAdem\u00e1s, los sistemas de edici\u00f3n de genes combinados y adaptados para nuevas capacidades sufren de compensaciones funcionales que limitan significativamente su alcance. Por el contrario, Profluent puede optimizar m\u00faltiples atributos simult\u00e1neamente para lograr un dise\u00f1o personalizado. [gene] editor que se adapta perfectamente a cada paciente\u201d.<\/p>\n No est\u00e1 fuera de lugar. Otras empresas y grupos de investigaci\u00f3n han demostrado formas viables en las que se puede utilizar la IA generativa para predecir prote\u00ednas.<\/p>\n En 2022, Nvidia lanz\u00f3 un modelo de IA generativa, MegaMolBART, que se entren\u00f3 en un conjunto de datos de millones de mol\u00e9culas para buscar posibles objetivos farmacol\u00f3gicos y pronosticar reacciones qu\u00edmicas. Meta entren\u00f3 un modelo llamado ESM-2 en secuencias de prote\u00ednas, un enfoque que, seg\u00fan la compa\u00f1\u00eda, le permiti\u00f3 predecir secuencias de m\u00e1s de 600 millones de prote\u00ednas en solo dos semanas. Y DeepMind, el laboratorio de investigaci\u00f3n de inteligencia artificial de Google, tiene un sistema llamado AlphaFold que predice estructuras proteicas completas, logrando una velocidad y precisi\u00f3n que superan con creces los m\u00e9todos algor\u00edtmicos m\u00e1s antiguos y menos complejos.<\/p>\n Profluent est\u00e1 entrenando modelos de IA en conjuntos de datos masivos (conjuntos de datos con m\u00e1s de 40 mil millones de secuencias de prote\u00ednas) para crear sistemas de producci\u00f3n de prote\u00ednas y edici\u00f3n de genes nuevos y perfeccionar los existentes. En lugar de desarrollar tratamientos por s\u00ed misma, la startup planea colaborar con socios externos para producir \u201cmedicamentos gen\u00e9ticos\u201d con los caminos m\u00e1s prometedores hacia la aprobaci\u00f3n.<\/p>\n Madani afirma que este enfoque podr\u00eda reducir dr\u00e1sticamente la cantidad de tiempo (y capital) que normalmente se requiere para desarrollar un tratamiento. Seg\u00fan el grupo industrial PhRMA, se necesitan entre 10 y 15 a\u00f1os en promedio para desarrollar un nuevo medicamento desde el descubrimiento inicial hasta la aprobaci\u00f3n regulatoria. Mientras tanto, estimaciones recientes cifran el coste de desarrollar un nuevo f\u00e1rmaco entre varios cientos de millones y 2.800 millones de d\u00f3lares.<\/p>\n \u201cDe hecho, muchos medicamentos impactantes se descubrieron accidentalmente, en lugar de dise\u00f1arse intencionalmente\u201d, dijo Madani. \u201c[Profluent\u2019s] La capacidad ofrece a la humanidad la oportunidad de pasar del descubrimiento accidental al dise\u00f1o intencional de nuestras soluciones m\u00e1s necesarias en biolog\u00eda\u201d.<\/p>\n Profluent, con sede en Berkeley y 20 empleados, est\u00e1 respaldado por grandes pesos pesados \u200b\u200bde capital de riesgo, incluidos Spark Capital (que lider\u00f3 la reciente ronda de financiaci\u00f3n de 35 millones de d\u00f3lares de la empresa), Insight Partners, Air Street Capital, AIX Ventures y Convergent Ventures. El cient\u00edfico jefe de Google, Jeff Dean, tambi\u00e9n contribuy\u00f3, dando credibilidad adicional a la plataforma.<\/p>\n El enfoque de Profluent en los pr\u00f3ximos meses ser\u00e1 actualizar sus modelos de IA, en parte ampliando los conjuntos de datos de entrenamiento, dice Madani, y la adquisici\u00f3n de clientes y socios. Tendr\u00e1 que moverse agresivamente; Sus rivales, incluidos EvolutionaryScale y Basecamp Research, est\u00e1n entrenando r\u00e1pidamente sus propios modelos de generaci\u00f3n de prote\u00ednas y recaudando grandes sumas de dinero en efectivo de capital de riesgo.<\/p>\n \u00abHemos desarrollado nuestra plataforma inicial y hemos mostrado avances cient\u00edficos en la edici\u00f3n de genes\u00bb, dijo Madani. \u00abAhora es el momento de escalar y comenzar a habilitar soluciones con socios que coincidan con nuestras ambiciones para el futuro\u00bb.<\/p>\n<\/p><\/div>\n