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

Los microbios resistentes a los fármacos, entre ellos bacterias, hongos, parásitos y virus, constituyen una amenaza mundial cada vez mayor. En 2021, unos cinco millones de muertes estuvieron relacionadas⁠(se abre en una ventana nueva) con la resistencia bacteriana a los antimicrobianos, una cifra anual que podría casi duplicarse para 2050. Encontrar moléculas con potencial para convertirse en antimicrobianos puede llevar años. Los investigadores usan la IA para acelerar esta fase inicial del descubrimiento.

«En mi opinión, la resistencia a los antimicrobianos es una de las mayores amenazas existenciales para la humanidad», afirmó César de la Fuente⁠(se abre en una ventana nueva), bioingeniero cuyo laboratorio interdisciplinar busca posibles antimicrobianos. «Y, sin embargo, no hemos desarrollado ninguna clase nueva de antibióticos en 50 años».

Gran parte del desarrollo moderno de antimicrobianos se centra en modificar medicamentos existentes o buscar en clases conocidas de compuestos químicos. Pero este enfoque ofrece cada vez menos resultados.

El laboratorio de De la Fuente parte de un terreno mucho menos explorado: el código de la vida. La idea central del trabajo es que la biología constituye un sistema de información. «Los nucleótidos que forman el ADN y los aminoácidos que componen las proteínas y los péptidos son una especie de alfabeto», explicó de la Fuente. «Concebir la biología como información nos permitió desarrollar métodos capaces de empezar a descifrar los principios organizativos de la vida que dieron lugar 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 plantear hipótesis, escribir y perfeccionar código, procesar conjuntos de datos, analizar resultados y relacionar ideas de distintas disciplinas científicas.

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

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

Las bases de datos digitales de genomas y proteínas permiten ahora buscar nuevos compuestos en todo el árbol de la vida, lo que amplía enormemente el alcance de los datos disponibles para explorar. Pero esta abundancia de información plantea sus propios retos: encontrar indicios prometedores entre una cantidad enorme de posibilidades.

La IA resulta especialmente adecuada para esta tarea de buscar una aguja en un pajar. Puede examinar conjuntos de datos enormes, identificar patrones que a los investigadores quizá les cueste detectar y seleccionar un número manejable de candidatos para someterlos a pruebas experimentales.

Sin embargo, identificar un candidato prometedor no significa necesariamente que vaya a convertirse en un medicamento eficaz.

Primero, los científicos deben confirmar que la molécula candidata elimina el microbio objetivo, determinar qué cantidad se necesita para que sea eficaz y comprobar cómo afecta a las células humanas. Después, 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 fiable de fabricar la molécula. Los candidatos que superan estos obstáculos aún deben someterse a una revisión regulatoria y a ensayos clínicos antes de poder llegar a los pacientes como fármacos antimicrobianos autorizados.

Para de la Fuente, por eso la IA y la biología de laboratorio deben avanzar juntas. «Los experimentos empíricos 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 solo sea superficialmente, en nuestra comprensión de la biología, lo más complejo que existe».

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

«Somos un grupo altamente transdisciplinar, con especialistas en biología, química, informática e ingeniería», explicó de la Fuente. Algunos miembros del laboratorio dominan la programación, pero saben menos de biología o química, y viceversa. Codex y ChatGPT ayudan a salvar esas diferencias, pues permiten que los biólogos creen programas y que los programadores aborden problemas biológicos. En ese sentido, la IA reduce las barreras entre disciplinas científicas.

Ayuda a los miembros del laboratorio a repasar temas que desconocen y necesitan para su trabajo interdisciplinar, aclarar términos, 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 a los miembros del laboratorio trabajar en sus lenguas maternas, lo que elimina barreras y agiliza sus flujos de trabajo.

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

«Nuestra Área de trabajo de ChatGPT recibe aportaciones de todas estas personas, que abordan de forma distinta los problemas que intentamos resolver», afirmó de la Fuente. Los miembros del laboratorio comparten con ella sus ideas, tanto buenas como malas, y la convierten así en una especie de espacio colaborativo donde contrastarlas.

No obstante, advierte que no se debe depender únicamente de la IA. «Obviamente, siempre tienes que comprobar que la información sea correcta», señaló de la Fuente.

Aun así, valora la capacidad de la IA para ayudar a los investigadores a explorar los límites entre disciplinas científicas. «Es ahí donde esperan los grandes avances por descubrir. Se encuentran, en esencia, en las fronteras entre campos a las que muy pocas personas se aventuran».

Considera que este trabajo forma parte de una tradición científica mucho más larga. «Siempre nos hemos servido de herramientas y máquinas para comprender el mundo que nos rodea», afirmó 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. «En eso consiste precisamente nuestro trabajo», afirmó.