El bioinform\u00e1tico Bruno Correia explica por qu\u00e9 la inteligencia artificial para predecir estructuras de prote\u00ednas no ha producido masas de nuevos medicamentos y sigue siendo revolucionaria.<\/p>\n
<\/div>\n<\/div>\n
<\/p>\n PD<\/span><\/p>\n<\/div>\n<\/figcaption><\/figure>\n <\/p>\n Bruno Correia normalmente investiga y ense\u00f1a en la \u00c9cole Polytechnique F\u00e9d\u00e9rale de Lausanne (EPFL), donde crea mol\u00e9culas artificiales con propiedades especiales. Sobre todo, las prote\u00ednas, es decir, las prote\u00ednas, los componentes b\u00e1sicos de la vida.<\/p>\n <\/p>\n Actualmente est\u00e1 de a\u00f1o sab\u00e1tico en el Instituto Radcliffe en Harvard, por lo que son las 6 a. m. para nuestra entrevista en video, para \u00e9l. Sin embargo, explica de manera muy v\u00edvida y entusiasta lo que la revoluci\u00f3n provocada por el programa Alphafold AI ha cambiado en la investigaci\u00f3n cotidiana. Es f\u00e1cil ver por qu\u00e9 fue nombrado el mejor profesor de ciencias de la vida de la EPFL en 2019.<\/p>\n <\/p>\n Sr. Correia, muchos han dicho que el programa Alphafold es un gran avance. Con la ayuda de la inteligencia artificial (IA), se podr\u00edan desarrollar nuevos medicamentos mucho m\u00e1s r\u00e1pido. Eso fue en 2020. Tres a\u00f1os despu\u00e9s, no se sabe nada sobre los nuevos medicamentos creados con la ayuda de la IA. \u00bfPor qu\u00e9?<\/p>\n <\/p>\n El programa es sin duda un gran avance en nuestra gran tarea de comprender mejor la biolog\u00eda. Pero el camino a la droga es largo. En lo que el programa es bastante bueno es en predecir qu\u00e9 forma tomar\u00e1 una mol\u00e9cula de prote\u00edna si sabes cu\u00e1l es su estructura qu\u00edmica.<\/p>\n <\/p>\n \u00bfPor qu\u00e9 es eso importante?<\/p>\n <\/p>\n La forma tridimensional de las prote\u00ednas dice mucho sobre sus propiedades en biolog\u00eda. Si desea encontrar un f\u00e1rmaco o comprender mejor lo que sucede en un proceso biol\u00f3gico, la estructura tridimensional de las prote\u00ednas a menudo ayuda.<\/p>\n <\/p>\n C\u00f3mo se pliega una prote\u00edna <\/p>\n Eres un dise\u00f1ador de prote\u00ednas. \u00bfC\u00f3mo est\u00e1 cambiando Alphafold su investigaci\u00f3n?<\/p>\n <\/p>\n Construyo mol\u00e9culas de prote\u00edna en el laboratorio que no existen en la naturaleza. El campo se llama biolog\u00eda sint\u00e9tica. Yo mismo soy ante todo un investigador b\u00e1sico. Dise\u00f1o prote\u00ednas para comprender mejor c\u00f3mo funcionan. Pero las prote\u00ednas tambi\u00e9n son interesantes debido a sus aplicaciones m\u00e9dicas: pueden usarse como medicamentos o como vacunas.<\/p>\n <\/p>\n Dise\u00f1ar un nuevo f\u00e1rmaco es como encontrar la llave de una cerradura existente: buscas mol\u00e9culas que se acoplan en un punto espec\u00edfico de una prote\u00edna del cuerpo y cambian su funci\u00f3n. Una de las grandes promesas de Alphafold and Co. es que podemos dise\u00f1ar medicamentos y vacunas m\u00e1s eficientes porque podemos usar la qu\u00edmica de una prote\u00edna para deducir su estructura y, por ejemplo, poder predecir mejor este acoplamiento.<\/p>\n <\/p>\n \u00bfPor qu\u00e9 los laicos notan tan poco de esta mejora?<\/p>\n <\/p>\n Alphafold hace una predicci\u00f3n. Por definici\u00f3n, es inseguro. Todav\u00eda tenemos que descubrir la estructura 3D de la prote\u00edna a trav\u00e9s de la experimentaci\u00f3n: vas al laboratorio, haces una muestra de la prote\u00edna, la refinas y luego hay varias t\u00e9cnicas para determinar la estructura real. La cristalograf\u00eda de rayos X es una de ellas. Otro es la resonancia magn\u00e9tica nuclear. El tercero es la microscop\u00eda crioelectr\u00f3nica. Por cierto, una persona suiza recibi\u00f3 el Premio Nobel por los dos \u00faltimos, en 1991 y 2017.<\/p>\n <\/p>\n <\/p>\n Gracias a Alphafold, hoy tenemos pron\u00f3sticos inform\u00e1ticos mucho mejores, pero todav\u00eda no son perfectos.<\/p>\n <\/p>\n \u00bfQu\u00e9 tan confiables son los pron\u00f3sticos hoy?<\/p>\n <\/p>\n Especialmente con las ca\u00f3ticas partes de prote\u00ednas, no son realmente buenas. Es muy dif\u00edcil predecir estructuras reales. Adem\u00e1s: Los algoritmos inform\u00e1ticos necesitan datos reales como base. Pero todav\u00eda no tenemos suficientes datos de mol\u00e9culas de prote\u00ednas reales. Por lo tanto, los algoritmos tambi\u00e9n tienen debilidades. Este es actualmente el estrecho cuello de botella. <\/p>\n <\/p>\n Entonces, \u00bfno son Alphafold y otros modelos de IA mucho mejores que los m\u00e9todos anteriores para predecir estructuras de prote\u00ednas ca\u00f3ticas? <\/p>\n <\/p>\n Eso es correcto. Pero ahora podemos planificar experimentos mucho mejor y con m\u00e1s prop\u00f3sito. Esto ahorra tiempo y recursos.<\/p>\n <\/p>\n \u00bfPuede dar un ejemplo?<\/p>\n <\/p>\n Si quiero desarrollar una nueva prote\u00edna, la modifico en la computadora, por as\u00ed decirlo, creo varias variantes nuevas. Ahora el modelo de IA sugiere una estructura para cada variante qu\u00edmica. Si mi idea y una de estas estructuras encajan bien, entonces sigo probando esta versi\u00f3n 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 prote\u00ednas imaginarias por adelantado.<\/p>\n <\/p>\n Alphafold reduce el esfuerzo en la primera fase al desarrollar nuevas prote\u00ednas. Sin embargo, la segunda y la tercera fase, es decir, probar candidatos prometedores en experimentos con animales y luego en estudios cl\u00ednicos, consumen m\u00e1s tiempo y dinero. \u00bfLos modelos de IA tambi\u00e9n ayudan aqu\u00ed?<\/p>\n <\/p>\n Estas segundas y terceras fases son todav\u00eda mucho ciencia emp\u00edrica. No creo que los modelos de IA puedan contribuir mucho aqu\u00ed en este momento. Los sistemas biol\u00f3gicos son muy complejos. Por lo tanto, es dif\u00edcil predecir c\u00f3mo se comportar\u00e1n las sustancias en las personas, qu\u00e9 pueden desencadenar. Incluso con los algoritmos actuales, sigue siendo dif\u00edcil.<\/p>\n <\/p>\n \u00bfPor qu\u00e9 la IA ha progresado tanto en el plegamiento de prote\u00ednas?<\/p>\n <\/p>\n Se juntaron varias circunstancias. Ten\u00edamos suficientes datos: la estructura de much\u00edsimas prote\u00ednas ya hab\u00eda sido determinada en el laboratorio. As\u00ed que hubo muchos ejemplos de c\u00f3mo las secuencias de prote\u00ednas se traducen en una estructura, por lo que fue un buen punto de partida. Y luego, algunos de los mejores cient\u00edficos de IA se hicieron cargo de la pregunta. Deepmind ha estado trabajando en el plegamiento de prote\u00ednas durante a\u00f1os y pudo desarrollar un algoritmo adecuado.<\/p>\n <\/p>\n Entonces, \u00bfla clave eran los muchos datos de muestra en los que se pod\u00eda encontrar un patr\u00f3n a\u00fan desconocido?<\/p>\n <\/p>\n Exactamente.<\/p>\n <\/p>\n \u00bfQu\u00e9 otras preguntas hay que cumplan con este requisito?<\/p>\n <\/p>\n Bueno, Internet por ejemplo. Contiene una gran cantidad de datos de personas que interact\u00faan con las computadoras. Puedes aprender mucho de esto sobre c\u00f3mo trabaja la gente. Por supuesto, la IA, que genera voz e im\u00e1genes, tambi\u00e9n es un buen ejemplo en este momento.<\/p>\n <\/p>\n \u00bfQu\u00e9 pasa con el campo de la medicina?<\/p>\n <\/p>\n Creo que ahora tenemos la oportunidad de hacer preguntas que son m\u00e1s profundas que nunca. Esto nos permitir\u00e1 comprender mejor muchas cosas en el futuro. Muchas enfermedades son muy complejas y solo entendemos una parte de lo que est\u00e1 pasando. Pero creo que cuanto m\u00e1s complejo es esto, mejor se puede analizar y explorar con las poderosas herramientas inform\u00e1ticas de hoy. Estos no los ten\u00edamos antes.<\/p>\n <\/p>\n Muchas enfermedades tienen caracter\u00edsticas individuales. Por lo tanto, los genes de una persona juegan un papel importante en el desarrollo y progresi\u00f3n de la enfermedad. \u00bfPueden los modelos de IA ayudar a desarrollar mejores predicciones o terapias?<\/p>\n <\/p>\n S\u00ed. 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, tambi\u00e9n las reacciones de un paciente a un determinado medicamento y qui\u00e9n se ve afectado por qu\u00e9. Pero nuestros cerebros no pueden simplemente vincular y evaluar todo. Son demasiadas dimensiones.<\/p>\n <\/p>\n Pero un algoritmo inform\u00e1tico, basado en IA o no, puede digerirlo todo. Vio una pl\u00e9tora de pacientes, por as\u00ed decirlo. Luego, bas\u00e1ndose en una gran cantidad de datos, puede hacer sugerencias tanto para el diagn\u00f3stico como para las posibles terapias. Y adaptado al paciente respectivo. Creo que eso va a tener el mayor impacto en la medicina.<\/p>\n <\/p>\n <\/div>\nCuando los expertos saben c\u00f3mo se ve una prote\u00edna en 3D, pueden predecir mejor c\u00f3mo funcionar\u00e1 en la naturaleza.<\/h2>\n
\n
\n <\/h3>\n![\"C\u00f3mo](\"https:\/\/q-images.nzz.ch\/2022\/01\/20\/cw-7b4d6ce07d1f6f10575b4047d4ef6f41.png?width=640&format=png\")
\n<\/source><\/source><\/picture><\/div>\n<\/p><\/div>\n<\/div>\n<\/div>\n![\"Bruno](\"https:\/\/img.nzz.ch\/2023\/06\/14\/6746e4aa-1137-4747-8c43-02a07ff2b1bc.jpeg?width=480&height=716&fit=bounds&quality=75&auto=webp&crop=291,435,x309,y0\")
<\/div>