:quality(75)/arc-anglerfish-arc2-prod-elcomercio.s3.amazonaws.com/public/FSFYE23YQJBEHPFLUMDHSTOTN4.jpg)
Únete al canal de GestiónLa tecnología de aprendizaje automático ha derrotado a los humanos en los juegos de ajedrez y Go, con gran revuelo en todo el mundo. Una demostración de su inquietante destreza realista para hacer llamadas telefónicas a personas desprevenidas se hizo viral.
Pero una victoria menos célebre para DeepMind, el brazo de inteligencia artificial de la empresa matriz de Google, Alphabet Inc., durante una conferencia bienal de biología, podría cambiar el modo en que las farmacéuticas encuentran y desarrollan nuevos medicamentos.
También podría aumentar la presión sobre las compañías farmacéuticas más grandes del mundo para prepararse para una carrera tecnológica. Una nueva generación de advenedizos ya está saltando a la palestra.
En diciembre, en la reunión de CASP13 en la Riviera Maya, México, DeepMind superó a biólogos experimentados en predecir las formas de las proteínas, los componentes básicos de la enfermedad. La búsqueda aparentemente esotérica tiene serias implicaciones: una herramienta que pueda modelar con precisión las estructuras de las proteínas podría acelerar el desarrollo de nuevos fármacos.
"Absolutamente impresionante", tuiteó un científico después de que los resultados fueran publicados en línea. "Fue una sorpresa total", dijo el fundador de la conferencia, John Moult, biólogo computacional de la Universidad de Maryland. "Comparado con la historia de lo que habíamos podido hacer, fue bastante espectacular".
Clasificar la estructura de las proteínas para encontrar formas en que los medicamentos ataquen las enfermedades es un problema enormemente complejo. Los investigadores aún no entienden completamente las reglas sobre cómo se construyen las proteínas. Y luego está la matemática: hay más formas posibles de proteínas que átomos en el universo, lo que hace que la predicción sea una empresa hercúlea de computación. Durante un cuarto de siglo, los biólogos computacionales han trabajado para diseñar software a la altura de la tarea.
Entonces aparece DeepMind. Con una experiencia limitada en el plegamiento de proteínas —el proceso físico mediante el cual una proteína adquiere su forma tridimensional— pero provista de los últimos algoritmos de redes neuronales, DeepMind hizo más de lo que 50 importantes laboratorios de todo el mundo podrían lograr.
La emoción agitó todo el complejo de temática maya donde se celebró la reunión. Dos presentadores de DeepMind fueron bombardeados con preguntas de científicos sobre cómo lo habían hecho. En cuestión de horas, el periódico británico The Guardian dijo que la inteligencia artificial de DeepMind podría "marcar el comienzo de una nueva era de progreso médico".
En una publicación de blog, la compañía se jactó de que sus modelos de proteínas eran "mucho más precisos que cualquier otro anterior", lo que abre "un nuevo potencial en el descubrimiento de fármacos".
En un correo electrónico, DeepMind dijo que sus científicos estaban "completamente centrados en su investigación" y no estaban disponibles para entrevistas.
La simulación de DeepMind aún no produce el tipo de resolución a nivel atómico importante para el descubrimiento de fármacos. Y aunque muchas empresas están buscando formas de usar las computadoras para identificar nuevos medicamentos, pocos medicamentos basados en el aprendizaje automático han progresado hasta el punto de ser probados en humanos. Pasarán años antes de que alguien sepa si ese software puede identificar con regularidad terapias prometedoras que los investigadores podrían haber pasado por alto de otro modo.
La inteligencia artificial es un eslogan muy chic en el cuidado de la salud, a menudo promovido como remedio para todo lo que aqueja a la industria. Se ha presentado como una posible solución para arreglar engorrosos expedientes médicos electrónicos, acelerar diagnósticos y hacer que la cirugía sea más precisa. La victoria de DeepMind apunta a una posible aplicación práctica para la tecnología en una de las partes más caras y propensas a las fallas del negocio farmacéutico.
Algunos observadores piensan que el hecho de que un equipo de personas ajenas al campo pudiera lograr un progreso tan significativo al desenredar uno de los problemas más complicados de la biología es un golpe para los investigadores. También podría ser un presagio para la industria farmacéutica, que gasta miles de millones en investigación y desarrollo, pero fue golpeada contundentemente.
Mohammed AlQuraishi, investigador de biología computacional de Harvard que asistió a la conferencia, escribió en un publicación de blog que las gigantes farmacéuticas no han dedicado un esfuerzo serio al plegamiento de proteínas, cediendo el terreno fundamentalmente a las empresas tecnológicas. Mientras que las compañías farmacéuticas vacilan, "Alphabet se precipita y establece el campamento justo en su patio trasero", escribió.
Encontrar nuevos fármacos y llevarlos al mercado es muy difícil. Según algunas estimaciones, los grandes fabricantes de medicamentos gastan más de US$ 2,500 millones para llevar un nuevo medicamento a los pacientes. Solo una de cada 10 terapias en ensayos clínicos en humanos llega a la farmacia.
Y la ciencia avanza lentamente: en los casi 20 años desde que se secuenció el genoma humano, los investigadores han encontrado tratamientos para una pequeña fracción de las aproximadamente 7,000 enfermedades raras conocidas.
Además, hay aproximadamente 20,000 genes que pueden funcionar mal en al menos 100,000 maneras, y millones de posibles interacciones entre las proteínas resultantes. Es imposible que los cazadores de drogas prueben todas esas combinaciones a mano.
"Si queremos entender el otro 97% de la biología humana, tendremos que reconocer que es demasiado compleja para los humanos", asegura Chris Gibson, cofundador y director ejecutivo de Recursion Pharmaceuticals, un emprendimiento de Salt Lake City que usa el aprendizaje automático para buscar nuevas terapias.
Empresas como Recursion están atrayendo a los inversionistas rápidamente. Los capitalistas de riesgo invirtieron US$ 1,080 millones en emprendimientos de IA y aprendizaje automático centrados en el descubrimiento de fármacos el año pasado, según el proveedor de datos PitchBook —en comparación con solo US$ 237 millones en el 2016— y ya han aportado US$ 699 millones más este año.
Recursion recaudó US$ 121 millones en su última ronda de financiación, dijo la compañía el lunes, de inversionistas como Intermountain Ventures y Regents de la Universidad de Minnesota. Tiene una valoración de US$ 646 millones, según PitchBook.
"Es una empresa muy ambiciosa. Están pensando en términos de cambiar radicalmente la industria", asegura Marina Record, gestora de inversiones en Baillie Gifford & Co. en Escocia, que dirigió la ronda de financiación.
Las farmacéuticas establecidas están compitiendo para aliarse con empresas que realicen un trabajo similar.
En abril, Gilead Sciences Inc. llegó a un acuerdo con Insitro, un emprendimiento liderado por la exexperta en aprendizaje automático de la Universidad de Stanford Daphne Koller, para encontrar formas de tratar la enfermedad hepática NASH.
El mismo mes, AstraZeneca Plc se alió con BenevolentAI del Reino Unido para identificar tratamientos para la enfermedad renal y la fibrosis pulmonar. En junio, GlaxoSmithKline Plc se asoció con pioneros en la edición de genes de la Universidad de California en una colaboración de búsqueda de US$67 millones que usará inteligencia artificial.
"¿En qué otro lugar es aceptable una tasa de éxito de 1 en 10?", asegura el vicepresidente sénior de GlaxoSmithKline, Tony Wood, director de ciencia y tecnología médica para la gigante farmacéutica británica. "Si pudiéramos duplicarla a 20%, sería fenomenal".
Los métodos de aprendizaje automático "serán críticos" para el descubrimiento de fármacos, afirma Juan Álvarez, vicepresidente asociado de química computacional en Merck & Co. La gigante farmacéutica está desarrollando herramientas de IA para ayudar a sus químicos a acelerar el laborioso proceso de elaboración de productos químicos para bloquear proteínas aberrantes.
Los primeros esfuerzos de aprendizaje automático ya han contribuido a los fármacos en prueba en humanos, mientras que los primeros fármacos basados en métodos de redes neuronales más avanzados podrían llegar a los ensayos en varios años, asegura Álvarez.
La inteligencia artificial se podría usar para escanear millones de imágenes celulares de alta resolución —más de las que los humanos podrían procesar por su cuenta— para identificar terapias que podrían hacer que las células enfermas sean más saludables de formas inesperadas.
En Recursion, uno de los primeros emprendimientos en usar estos métodos, cada semana los robots aplican miles de fármacos potenciales a varios tipos de células enfermas, en 400,000 a 500,000 experimentos en miniatura que generan entre 5 y 10 millones de imágenes celulares. Luego, los algoritmos de aprendizaje automático escanean las imágenes en busca de compuestos que interrumpan la enfermedad sin dañar las células sanas.
Los algoritmos iniciales se codificaron a mano para interpretar las funciones celulares básicas, pero Recursion usa cada vez más los métodos de redes neuronales que interpretan directamente las imágenes y pueden identificar patrones que los programadores humanos no habrían buscado. Los informáticos trabajan en conjunto con los biólogos en el laboratorio para refinar las búsquedas.
La compañía, con acuerdos para enfermedades raras con Takeda Pharmaceutical Co. Ltd. y Sanofi, generó más de 2.5 petabytes de datos en los últimos años, un total que excede aproximadamente el ancho de banda de todas las películas de Hollywood.
Lo que está haciendo la compañía "no era factible hace seis, siete, u ocho años", asegura Gibson, su fundador.
Gibson incursionó en el aprendizaje automático como estudiante de posgrado en la Universidad de Utah, en busca de tratamientos para la malformación cavernosa cerebral, que causa grupos anormales de vasos sanguíneos con fugas en el cerebro.
El trastorno afecta a aproximadamente 1 de cada 500 personas, según Angioma Alliance, y aunque suele ser silencioso, puede provocar convulsiones, dificultades en el habla o la visión y hemorragias cerebrales devastadoras. Un medicamento que Gibson probó en la Universidad de Utah según la comprensión de la enfermedad en el momento empeoró sus síntomas en animales.
Frustrados, Gibson y sus colegas usaron un software de aprendizaje abierto para escanear imágenes celulares e investigar los efectos de 2,100 compuestos, buscando aquellos que mejoraran la apariencia y la función de las células de los vasos sanguíneos que portaban los genes defectuosos.
Los algoritmos apuntaban a un químico inesperado que reducía los vasos sanguíneos con fugas en pruebas con animales en un 50%. Ese fármaco, listo para entrar en ensayos en humanos de segunda etapa el próximo año, condujo a la fundación de Recursion.
Otras partes de Alphabet, así como la unidad de investigación de IA de la gigante de las redes sociales Facebook Inc. –que silenciosamente publicó un artículo utilizando el aprendizaje profundo para analizar 250 millones de secuencias de proteínas en abril– se están infiltrando en el sector de las empresas farmacéuticas.
Esta primavera, investigadores de IA en Google dieron a conocer una red neuronal que puede predecir la función de una proteína a partir de su secuencia de aminoácidos, lo que puede ayudar a los biólogos a entender lo que hace una proteína recién descubierta.
Los defensores de la IA dicen que nadie está hablando de sacar a los investigadores humanos de la ecuación. El objetivo es "aumentar y mejorar la capacidad de toma de decisiones de los científicos", afirma Jackie Hunter, exejecutiva de investigación de GlaxoSmithKline que ahora lidera programas clínicos en BenevolentAI.
A corto plazo, es más probable que las simulaciones basadas en IA se usen para determinar si los fármacos prospectivos serán efectivos antes de ir a un ensayo clínico completo.
Una empresa aeroespacial "no construirá y volará un avión sin diseñarlo primero en la computadora y simularlo bajo muchas condiciones", asegura Colin Hill de GNS Healthcare, un emprendimiento que usa IA para modelar enfermedades, cuyos inversionistas incluyen a Amgen Inc. En el futuro, los laboratorios no comenzarán los ensayos clínicos sin una prueba virtual, dice.
En cualquier caso, la sorpresa de México ha aumentado el ritmo. DeepMind "básicamente abatió a todos por un margen considerable", asegura AlQuraishi, el investigador de Harvard. Si los fabricantes de fármacos no toman en serio la amenaza, dice, podrían quedar mordiendo el polvo.
