La inteligencia artificial en la fabricación de medicamentos

Cada dos años, cientos de científicos entran a una competencia mundial. Para resolver un rompecabezas biológico al que llaman “el problema del plegamiento de proteínas”, intentan predecir la forma tridimensional de las proteínas en el cuerpo humano. Nadie sabe cómo resolver el problema. Incluso los ganadores solo lo complican más. Sin embargo, una solución podría optimizar la manera en que los científicos crean nuevos medicamentos y combaten las enfermedades.

Mohammed AlQuraishi, un biólogo que ha dedicado su carrera a este tipo de investigación, viajó a inicios de diciembre a Cancún, México, donde se reunieron académicos para discutir los resultados de la competencia más reciente. Cuando se registró en su hotel, un complejo turístico de cinco estrellas en el Caribe, lo consumió la melancolía.

La competencia, la Evaluación Crítica de Técnicas para la Predicción de la Estructura de las Proteínas, no la ganaron los académicos. El triunfador fue DeepMind, el laboratorio de inteligencia artificial propiedad de la empresa matriz de Google.

“Estaba sorprendido y desanimado”, comentó AlQuraishi, investigador de la Escuela de Medicina de Harvard. “Iban mucho más adelantados que cualquiera”.

DeepMind se especializa en el “aprendizaje profundo”, un tipo de inteligencia artificial que está cambiando a gran velocidad la ciencia del descubrimiento de fármacos. Cada vez más empresas están usando métodos similares en otras partes del proceso largo y enormemente complejo de la producción de nuevos medicamentos. Estas técnicas de inteligencia artificial pueden acelerar muchos aspectos del descubrimiento de fármacos y, en algunos casos, realizar tareas que suelen llevar a cabo los científicos.

“No es que las máquinas vayan a remplazar a los químicos”, señaló Derek Lowe, investigador que ha dedicado muchos años al descubrimiento de fármacos y autor de In the Pipeline, un blog muy leído que está dedicado a este tema. “Es que los químicos que usan las máquinas remplazarán a los que no lo hacen”.

Después del congreso celebrado en Cancún, AlQuraishi describió su experiencia en una publicación de blog. La melancolía que sintió después de perder ante DeepMind dio paso a la que llamó “una evaluación más racional del valor del progreso científico”.

No obstante, criticó con vehemencia a las grandes farmacéuticas como Merck y Novartis, así como a la comunidad académica a la que él pertenece, por no haber mantenido el paso.

“Los investigadores más brillantes y más ambiciosos que quieran trabajar en el estudio de la estructura de las proteínas buscarán oportunidades en DeepMind en vez de en Merck o Novartis”, escribió. “Este hecho debería dar escalofríos a los ejecutivos de las farmacéuticas, pero no lo hará, porque están despistados, no tienen rumbo y están dormidos al volante”.

Las grandes empresas farmacéuticas ven la situación de otra manera. Aunque Merck no está explorando el plegamiento de las proteínas porque sus investigadores creen que su impacto potencial llegará dentro de varios años, está usando el aprendizaje profundo en otros aspectos de su proceso de descubrimiento de fármacos.

“Tenemos que conectar muchos otros puntos”, comentó Juan Álvarez, vicepresidente asociado de química computacional y estructural en Merck.

En la primavera de 2016, después de llegar a los titulares de los periódicos con los sistemas de inteligencia artificial que participaban en juegos complejos como el Go, el ancestral juego de mesa, los investigadores de DeepMind estaban en busca de nuevos desafíos. Para esto, realizaron un “hackatón” en las oficinas generales de la empresa en Londres.

Junto con otros dos computólogos, Rich Evans, investigador de DeepMind, se puso como objetivo el plegamiento de proteínas. Encontraron un juego que simulaba esta tarea científica. Construyeron un sistema que aprendió a jugar el juego por sí solo, y los resultados fueron tan promisorios para DeepMind que le dieron luz verde a un proyecto de investigación de tiempo completo.

El problema del plegamiento de proteínas formula una pregunta directa: ¿se puede predecir la estructura física de una proteína (su forma en tres dimensiones)?

Si los científicos pueden predecir la forma de una proteína, pueden determinar de una mejor manera cómo se “amarran” otras moléculas a ella —se adhieren a ella, físicamente— y es un mecanismo para desarrollar fármacos: un fármaco se amarra a proteínas particulares en el cuerpo y cambia su comportamiento.

En la última competencia, DeepMind realizó estas predicciones por medio de “redes neuronales”, sistemas matemáticos complejos que pueden aprender a realizar tareas analizando enormes cantidades de información. Después de analizar miles de proteínas, una red neuronal puede aprender a predecir la forma de otras.

La victoria de DeepMind mostró cómo el futuro de la investigación bioquímica quedará cada vez más en manos de las máquinas y de la gente que las supervisa.

Este tipo de investigación de inteligencia artificial se beneficia de inmensas cantidades de poder computacional y DeepMind puede usar los gigantescos centros de datos computacionales que respaldan a Google. El laboratorio también emplea a muchos de los mejores investigadores de inteligencia artificial en el mundo, quienes saben cómo aprovechar al máximo este hardware.

“Nos permite ser mucho más creativos, probar muchas más ideas, a menudo en paralelo”, mencionó Demis Hassabis, director ejecutivo y cofundador de DeepMind, empresa que Google adquirió en 2014 supuestamente por 650 millones de dólares.

Es poco probable que las universidades y las grandes farmacéuticas igualen esos recursos. No obstante, gracias a los servicios de computación en la nube que ofrecen Google y otros gigantes tecnológicos, sigue cayendo el costo del poder computacional. AlQuraishi instó a la comunidad de las ciencias biológicas a que prestara más atención al tipo de trabajo en inteligencia artificial que se practica en DeepMind.

Algunos investigadores ya se están moviendo en esa dirección. Muchas empresas emergentes, como Atomwise en San Francisco y Recursion en Salt Lake City, están utilizando las mismas técnicas de inteligencia artificial para acelerar otros aspectos del descubrimiento de fármacos. Por ejemplo, Recursion usa redes neuronales y otros métodos para analizar imágenes de células y aprender cómo los fármacos nuevos las afectan.

Las grandes farmacéuticas también están comenzando a explorar estos métodos, en algunas ocasiones en sociedad con empresas emergentes.

“La tendencia de todo el mundo es hacia esta área”, comentó Jeremy Jenkins, director de ciencia de datos para bioquímica y terapéutica en Novartis. “Es como hacer que un barco enorme dé la vuelta, y creo que con el tiempo estos métodos escalarán al tamaño de toda nuestra empresa”. (I)