Cómo usa un investigador Codex y ChatGPT para buscar nuevas moléculas antimicrobianas

Los microbios resistentes a los medicamentos, incluidas las bacterias, los hongos, los parásitos y los virus, representan una amenaza mundial creciente. En 2021, cerca de cinco millones de muertes estuvieron asociadas⁠(se abre en una nueva ventana) con la resistencia bacteriana a los antimicrobianos, una cifra anual que se prevé que casi se duplique para 2050. Encontrar moléculas con potencial para convertirse en antimicrobianos puede llevar años. Los investigadores usan la IA para acelerar esta etapa inicial del descubrimiento.

“En mi opinión, la resistencia a los antimicrobianos es una de las mayores amenazas existenciales para la humanidad”, dijo César de la Fuente⁠(se abre en una nueva ventana), bioingeniero cuyo laboratorio interdisciplinario busca candidatos a antimicrobianos. “Y, aun así, no hemos tenido una nueva clase de antibióticos en 50 años”.

Gran parte del desarrollo moderno de antimicrobianos se centra en modificar medicamentos existentes o buscar entre clases conocidas de sustancias químicas. Pero ese enfoque ofrece resultados cada vez menores.

El laboratorio de De la Fuente comienza en un lugar mucho menos explorado: el código de la vida. La idea central del trabajo es que la biología es un sistema de información. “Los nucleótidos que componen el ADN y los aminoácidos que forman las proteínas y los péptidos son como una especie de alfabeto”, dijo de la Fuente. “Concebir la biología como información nos permitió desarrollar métodos capaces de comenzar a descifrar los principios organizativos de la vida que dieron origen a una molécula funcional”.

Los modelos de aprendizaje profundo del laboratorio se entrenan para reconocer patrones en secuencias biológicas, lo que les permite buscar posibles antimicrobianos en enormes conjuntos de datos genómicos y proteicos. Este enfoque puede reducir de años a horas la búsqueda inicial de moléculas candidatas.

Además de sus propios modelos de IA, el laboratorio usa ChatGPT y Codex para idear hipótesis, escribir y perfeccionar código, procesar conjuntos de datos, analizar resultados y conectar ideas de distintas disciplinas científicas.

Solo se comprende con claridad la función de una fracción del genoma, y una porción aún menor codifica moléculas capaces de combatir microbios infecciosos. El desafío consiste en identificar los patrones que hacen que una molécula sea funcional o biológicamente activa y, luego, determinar cuáles podrían combatir microbios infecciosos.

Desde hace mucho tiempo, los científicos buscan antimicrobianos en plantas, animales, microbios, insectos, agua y suelo. Recolectan muestras, aíslan o predicen moléculas candidatas y las prueban mediante un proceso iterativo que puede llevar años.

Las bases de datos digitales de genomas y proteínas ahora permiten que los científicos busquen nuevos compuestos en todo el árbol de la vida, lo que amplía enormemente la variedad de datos disponibles para explorar. Pero tal abundancia de información conlleva sus propios desafíos: encontrar señales prometedoras entre una enorme cantidad de posibilidades.

La IA es especialmente adecuada para esta tarea de encontrar una aguja en un pajar. Puede examinar enormes conjuntos de datos, identificar patrones que podrían ser difíciles de detectar para los investigadores y priorizar una cantidad manejable de candidatos para someterlos a pruebas experimentales.

Sin embargo, identificar un candidato prometedor no significa necesariamente que se convertirá en un medicamento eficaz.

Los científicos primero deben confirmar que una molécula candidata elimine el microbio objetivo, determinar la cantidad necesaria para que sea eficaz y probar cómo afecta a las células humanas. Luego, los químicos pueden optimizarla para mejorar su eficacia, seguridad o estabilidad.

Otras pruebas evalúan la dosis a la que el candidato se vuelve tóxico, la facilidad con la que los microbios desarrollan resistencia a la molécula y cómo se desplaza el candidato por el organismo. Los equipos también determinan una forma confiable de fabricar la molécula. Los candidatos que superan estos obstáculos aún deben someterse a revisiones regulatorias y ensayos clínicos antes de llegar a los pacientes como medicamentos antimicrobianos aprobados.

Para De la Fuente, por eso la IA y la biología de laboratorio deben avanzar juntas. “Los experimentos con datos reales son esenciales para validar las predicciones de la IA”, afirmó. “Esto será crucial para las ciencias de la vida en los próximos años si queremos seguir avanzando, aunque sea apenas, en nuestra comprensión de la biología, que es lo más complejo que existe”.

Su laboratorio explora los genomas de organismos vivos y extintos en busca de moléculas candidatas. Buscar en esos genomas, comprender cómo se forman y funcionan las proteínas que codifican y determinar qué hacen esas moléculas requiere conocimientos especializados de varios campos.

“Somos un grupo sumamente transdisciplinario, así que tenemos personas provenientes de la biología, la química, la informática y la ingeniería”, dijo de la Fuente. Algunos miembros del laboratorio son muy buenos programadores, pero saben menos de biología o química, y viceversa. Codex y ChatGPT ayudan a cerrar esas brechas, pues permiten que los biólogos creen programas y que los programadores aborden problemas biológicos. En ese sentido, la IA reduce las barreras entre las disciplinas científicas.

Ayuda a los miembros del laboratorio a revisar temas que desconocen y necesitan para su trabajo interdisciplinario, aclarar terminología, comparar métodos de distintos campos y organizar ideas para descubrir fármacos. Otros usan la IA para descargar, organizar y preprocesar grandes conjuntos de datos genómicos. ChatGPT también permite que los miembros del laboratorio trabajen en sus idiomas nativos, lo que reduce las barreras y agiliza sus flujos de trabajo.

De la Fuente usa ChatGPT para intercambiar ideas. Sigue desarrollando ideas con sus colegas, pero valora la capacidad de la IA para ayudarlo a formular una hipótesis. También le gusta poder acceder a la información del mundo con solo hacer clic en un botón.

“Nuestro Espacio de trabajo de ChatGPT recibe aportes de todas estas personas que abordan de manera distinta los problemas que intentamos resolver”, dijo de la Fuente. Los miembros del laboratorio comparten allí sus ideas buenas y malas, convirtiéndolo en una especie de espacio colaborativo para contrastarlas.

Sin embargo, advierte que no se debe depender únicamente de la IA. “Obviamente, siempre hay que verificar que la información sea correcta”, dijo de la Fuente.

Aun así, valora la capacidad de la IA para ayudar a los investigadores a explorar las fronteras entre disciplinas científicas. “Es ahí donde esperan los grandes descubrimientos. En esencia, están en los límites entre campos, adonde muy pocas personas se aventuran”.

Considera que este trabajo forma parte de una tradición científica mucho más extensa. “Siempre hemos dependido de herramientas y máquinas para comprender el mundo que nos rodea”, dijo de la Fuente. “El telescopio iluminó el cosmos y el microscopio reveló el mundo de lo invisible”. Ahora, las máquinas ayudan a los investigadores a comprender, predecir y diseñar la biología. “De eso se trata nuestro trabajo”, afirmó.