En los últimos tiempos, estamos asistiendo a los avances más trascendentales de la inteligencia artificial. Sin embargo, los más importantes no son los últimos chatbots con los que se puede hablar, sino aquellos que mejoran los procesos y resultados en medicina. Por ejemplo, uno de los últimos avances ha sido el desarrollo de una nueva forma de desentrañar las estructuras 3D únicas de las proteínas.
En concreto, se trata de un nuevo algoritmo de aprendizaje profundo, denominado Alpha Fold. Esta herramienta convierte procesos que generalmente suelen prolongarse años en un programa de ordenador que podría ejecutarse en menos de una hora, lo cual tiene inmensas aplicaciones para la medicina.
Por ejemplo, una vez que se han identificado los matices moleculares de la estructura de una proteína, los investigadores pueden comenzar a atacarla con medicamentos, corrigiendo disfunciones, combatiendo infecciones y mejorando la salud. Sin embargo, antes de que la IA pueda transformar la biomedicina, los investigadores deberán demostrar que las predicciones del algoritmo son tan precisas como los resultados obtenidos con otros métodos, como la cristalografía de rayos X.
"Descubrimos, en los dos objetivos farmacológicos que probamos, que el modelo del algoritmo es tan confiable como las estructuras experimentales, cuando se utiliza como entrada en nuestro programa"
El desarrollo de la nueva herramienta comienza cuando los investigadores buscan nuevos fármacos potenciales, comparándolos con estructuras de proteínas. Con el objetivo de examinar los compuestos, emplearon un sofisticado software. Este fue el principio de Alpha Fold: descubrieron que las estructuras predichas por esta herramienta podrían, al menos en algunos casos, reemplazar eficazmente las estructuras determinadas experimentalmente.
"Sin embargo, hasta ahora, los estudios han sugerido que Alpha Fold 2, la segunda versión, es peor que las estructuras experimentales para tareas de detección de fármacos basados en estructuras", explica Jiankun Lyu, primer autor del artículo, quien realizó gran parte de la investigación en la Universidad de California en San Francisco antes de unirse a Rockefeller para completar el proyecto.
A pesar de ello, "descubrimos, en los dos objetivos farmacológicos que probamos, que el modelo del algoritmo es tan confiable como las estructuras experimentales, cuando se utiliza como entrada en nuestro programa para descubrir ligandos, que son las moléculas de unión que se necesitan identificar para el descubrimiento de fármacos", añade.
En un inicio, y basándose en trabajos anteriores, los investigadores creyeron que Alpha Fold sería peor que los métodos experimentales en el descubrimiento de ligandos. Sin embargo, se dieron cuenta de que esos estudios habían analizado las estructuras de los receptores que ya se descubrieron empleando métodos tradicionales, y luego habían evaluado de forma retrospectiva cómo habría predicho el modelo 2 de Alpha Fold esas estructuras y sus interacciones.
“Nos preguntamos si realizar una investigación de forma prospectiva (utilizando Alpha Fold 2 para predecir las estructuras antes de que las estructuras experimentales estuvieran disponibles) arrojaría resultados diferentes”, aclara Lyu. De este modo, descubrieron que, cuando se analizan prospectivamente, las estructuras predichas por Alpha Fold a veces son lo suficientemente cercanas a las estructuras obtenidas experimentalmente.
Con ello, estimaron que en aproximadamente un tercio de los casos, una estructura prevista por Alpha Fold podría acelerar significativamente un proyecto. No obstante, el nuevo problema se planteó cuando vieron que Alpha Fold 2 solo podía predecir estructuras de proteínas monocatenarias, a menos que emplease un complemento, denominado Multimer.
Esto se ha corregido con Alpha Fold 3, que ya puede predecir la modificación postraduccional y los complejos proteicos de moléculas pequeñas. En resumen, los desarrolladores afirman que la IA ahora puede predecir complejos proteína-molécula que involucran ADN, ARN y otras moléculas.
“Aunque eso no es todo lo que se necesita para fabricar un fármaco, obtener un modelo preciso es un primer paso crucial que también guía una mayor optimización de dicho fármaco”
A raíz de este avance, Lyu valora de forma positiva el futuro de la IA y la medicina, pero recomienda precaución. “Actualmente, gran parte de la IA promete demasiado y no se entrega lo suficiente. Me preocupa que, si no la tratamos con cuidado ahora, la IA en la biomedicina se esfume y acabe siendo sólo otra exageración. Eso podría hacernos retroceder décadas”.
No obstante, para el investigador, la IA es una de las áreas de investigación más destacables actualmente, y existe un mercado enorme para predecir con precisión complejos de proteínas, tanto en la investigación básica como en la industria. “Aunque eso no es todo lo que se necesita para fabricar un fármaco, obtener un modelo preciso es un primer paso crucial que también guía una mayor optimización de dicho fármaco”.
Finalmente, el investigador concluye que “donde la IA ya está teniendo éxito es en aquellas áreas en las que la ciencia básica ha generado una gran cantidad de datos de forma experimental. Entonces, ahora que tenemos muchas arquitecturas de IA, necesitamos volver a la base y generar más datos de alta calidad, para alimentar estos algoritmos ávidos de datos hasta que produzcan mejores predicciones. Entonces es cuando vendrán los avances”.