La probabilidad combinada que encierra el desdoblamiento de las proteínas, maquinarias microscópicas y sofisticadas presentes en todos los organismos vivos, presenta un desafío complejo
DeepMind consiguió predecir la formación de estructuras de proteínas
como ésta a un nivel inédito.
La pregunta es un clásico de las revistas de pasatiempos y
también una entrada habitual a los desafíos que plantea el concepto de la
exponencialidad: ¿cuántas veces se puede doblar un papel por la
mitad? La respuesta suele ser menos de las que pensamos a priori: ocho
veces cómo máximo en una hoja común, 12 mitades para el récord mundial de la
estadounidense Britney Gallivan (con un pequeño detalle: lo hizo para un papel
de 1200 metros). Doblarlo 103 veces llevaría a un mayor grosor que el del
universo observable (93.000 millones de años luz).
La probabilidad combinada que encierra el desdoblamiento de
las proteínas, maquinarias microscópicas y sofisticadas presentes en todos los
organismos vivos, presenta un desafío igualmente complejo. Las proteínas están
determinadas por cadenas de aminoácidos, pero esta secuencia no dice mucho:
para empezar a entender su funcionamiento hay que definir su estructura tridimensional,
cómo se "desdobla", y esto abarca posibilidades infinitas. Comprobar en
un laboratorio estas estructuras es un proceso largo, caro y muy
trabajoso: en años de estudio se pudo determinar apenas el 17% del “protonoma”
de los seres humanos. De los 180 millones de secuencias proteicas descubiertas
hasta ahora, los científicos pudieron predecir con alta certeza la forma
tridimensional de 180.000.
Ese valor se actualizó días atrás en forma radical con una
noticia que revolucionó al campo de la biotecnología: DeepMind, la empresa
inglesa de inteligencia artificial (IA) fundada por el ajedrecista Demis
Hassabis y que pertenece al conglomerado de Alphabet (Google), difundió 350.000
predicciones de alta calidad de estructuras de proteínas del cuerpo humano y de
otros 20 organismos, y afirmó que planea dar a conocer, en los próximos meses,
predicciones de otras 100 millones de estructuras. El avance, que
podría resultar en un futuro cercano en mejores tratamientos para el cáncer o
el Alzheimer, y hasta en un reciclaje más eficiente del plástico,
entre otras posibilidades, fue calificado por Hassabis como “la contribución
más significativa hecha por la inteligencia artificial al conocimiento
científico hasta la fecha”.
El investigador en inteligencia artificial y maestro de ajedrez
británico Demis Hassabis cofundó DeepMind en 2010. La empresa fue adquirida por
Google en 2014
El 2 de diciembre último, la empresa inglesa ganó una
competición bianual que se conoce como CASP, en la cual logró descifrar en
forma algorítmica –imponiéndose a equipos de biólogos humanos– el problema del
desdoblamiento de las proteínas con su iniciativa AlphaFold, un enigma de 50
años en la comunidad de las ciencias de la vida. “En ese momento hubo
bastante escepticismo entre los investigadores, ya que no mostraron demasiado; y
también había suspicacias de que el código no iba a estar disponible”, cuenta a
la nacion Virginia González, biotecnóloga especializada en genética molecular y
bioinformática.
Pero el código se publicó días atrás, en paralelo con el de
otro competidor, RosettaFold, “casi tan bueno como AlphaFold2”, plantea
González. La cofundadora de la startup Toyoko agrega que el
hito es equiparable al de la competencia Imagenet de 2012, que marcó un antes y
un después en las tecnologías de reconocimiento de imágenes con aprendizaje
profundo y generó un aluvión de nuevos negocios en los años
siguientes.
“Definitivamente, esto abre un nuevo capítulo para la
ciencia”, dice Valeria Bosio, bioquímica de la Universidad Nacional de
La Plata (UNLP). Bosio cita a Venki Ramakrishnan –Premio Nobel de Química en
2009–, a quien la científica platense entrevistó tiempo atrás, quien afirmó la
se mana pasada con respecto al anuncio de DeepMind que “ha ocurrido mucho antes
de lo que los expertos habrían predicho”. Y agregó: “Va a ser emocionante ver
las muchas maneras en las que va a cambiar radicalmente la investigación
biológica”.
Por sus características, el anuncio de las
predicciones de las formas de proteínas sirve para describir algunas
avenidas claves del proceso de transformación acelerado que estamos viviendo a
nivel global:
- Doble
motor. La inteligencia artificial y las “ciencias de la vida”
son, por lejos, en esta nueva década, los dos motores del cambio más
profundo que se está desplegando, con un impacto que va más allá del
negocio de la salud y abarca al de la energía y al de la alimentación,
entre otros. Los casos de AlphaFold2 y RosettaFold están en el epicentro
de esta tendencia.
- Déficit
de explicaciones. Predecir la forma de las proteínas no se
traduce automáticamente en saber cómo funcionan, aunque es un paso en esa
dirección. Para el tecnólogo Marcelo Rinesi, esto es un avance de
complejidad computacional, pero no agrega nueva teoría a la biología. En
este sentido, se aumenta la brecha que se está generando en IA entre
correlaciones y causalidades, entre cosas que sabemos que van a pasar,
pero no entendemos el porqué. Un fenómeno que ocurrió siempre en la
historia de la ciencia (comprender cómo opera la aspirina, por ejemplo,
recién se logró 100 años después de que se descubriera su utilidad), pero
con IA se profundiza mucho más.
- Ciencia
básica. Para Alejandro Vila, investigador del Conicet y profesor
de la UNR, la difusión de las predicciones de estructuras de proteínas
plantea una novedad interesante en la relación entre el sector privado y
las ciencias básicas, que siempre se asociaron más a la iniciativa estatal
y que ahora resultan atractivas para fondear desde gigantes de la
tecnología como Google. “Lo que sí sabemos es que se podrán diseñar
mejores y nuevos fármacos, y que la biotecnología moderna hoy cuenta con
una herramienta poderosa que recién estamos empezando a conocer[SC1] “,
agrega Vila.
El investigador, que actualmente trabaja en IBR, se
pregunta si la computación va a reemplazar a la experimentación en biología
estructural. Y cree que no, “porque el programa va a permitir hacer
predicciones antes de realizar experimentos, y los experimentos podrán
enfocarse en algunas preguntas que AlphaFold todavía no puede responder”.
Virginia González coincide: “En lo que respecta a la investigación básica, creo
que lleva a los seres humanos rápidamente a tener que dedicarse a los problemas
realmente más complejos, como la dinámica de los cambios conformacionales de
las proteínas en el contexto celular o los complejos formados por varias
proteínas, entre otros”. Como en la famosa analogía del “ajedrez centauro” o
híbrido, en la cual los equipos formados por un programa y un humano superaron
al resto de las combinaciones posibles.
Hassabis es un ajedrecista consumado y también un jugador de
póker profesional, disciplinas a las que se dedicó con pasión antes de
recibirse de neurocientífico y de avanzar en su carrera empresarial. DeepMind
dio sus batacazos anteriores derrotando a los mejores jugadores del mundo en
Go, póker y videojuegos, que le valió miles de titulares pero también críticas
por invertir fortunas en algo vistoso pero no tan útil. Con AlphaFold juega,
por fin, su apertura de mayor relevancia.
No hay comentarios:
Publicar un comentario