Demis Hassabis, hijo de un grecochipriota y un singapurense criado en Londres, es un prodigio del ajedrez. Empezó a jugar a los cuatro años y a los 13 ya era un maestro. Estudió informática, obtuvo un doctorado en neurociencia y fundó Deepmind, que actualmente es el pilar de la inteligencia artificial, o IA, de la empresa propietaria de Google. Hace unos días, Hassabis, de 47 años, recordaba en una entrevista el día en que tomó plena conciencia del poder imparable de esta tecnología. Una mañana de 2018, mientras tomaba un café, jugó AlphaZero, la IA de ajedrez que había creado. Pudo ganarlo sin muchos problemas. En pocas horas, el programa, que se había aprendido a sí mismo jugando cientos de miles de juegos, estuvo a punto de derrotarlo. Por las noches era “el mejor jugador de ajedrez que jamás haya existido”. Todo en tan sólo nueve horas. “Fue increíble verlo en vivo. Era inevitable preguntarse qué puede hacer este sistema en la ciencia o en cualquier otro problema complejo”, explica.
Se acabó el tiempo de juego. Desde 2020, Alphafold, la inteligencia artificial ideada por Hassabis, ha superado a cualquier humano en endiablados problemas de biología y ha determinado la estructura tridimensional de 200 millones de proteínas, prácticamente todas las que se conocen. Resolver la forma de una sola proteína puede requerir varios años de dedicación por parte de un estudiante de doctorado, por lo que la IA habría ahorrado alrededor de mil millones de años de trabajo a la vez.
El empresario presentó ayer en rueda de prensa su nueva creación: Alphafold 3. Por primera vez, una IA puede predecir la interacción entre las proteínas y el resto de moléculas esenciales para la vida: ADN y ARN, pequeñas moléculas -medicamentos- y anticuerpos . , las pequeñas proteínas del sistema inmunológico especializadas en combatir virus, bacterias e incluso tumores. “La biología es un sistema dinámico y sus propiedades surgen precisamente de las interacciones entre las diferentes moléculas que componen la célula. Alphafold 3 es nuestro primer gran paso para comprenderlos”, explicó Hassabis. Los detalles de este nuevo sistema de IA se publican hoy en Naturaleza, un referente de la mejor ciencia mundial. La compañía Google también abrirá un servidor gratuito para que los científicos puedan utilizar esta nueva herramienta.
La derivada más evidente del nuevo sistema es su potencial para descubrir nuevos fármacos, un campo que a partir de ahora será explorado, esta vez en el ámbito privado, por Laboratorios Isomorphic, filial de Alphabet (propietaria de Google) liderada por Hassabis. Con la ayuda de Alphafold 3 y otros desarrollos propios, el experto de Google espera reducir a la mitad el tiempo que lleva descubrir un fármaco antes de iniciar los ensayos en pacientes, de los cinco años actuales a sólo dos, según explicó a Tiempos financieros. La compañía ya ha firmado dos contratos de colaboración con las multinacionales Lilly y Novartis, que han aportado decenas de millones de dólares por adelantado y prometen varios miles de millones más cuando haya resultados.
El químico estadounidense John Jumper, director de Deepmind, aseguró ayer que el nuevo sistema es muy superior a sus rivales. Alphafold 3 predice con éxito el 76% de los casos de interacción proteína-molécula pequeña, en comparación con el 52% de la siguiente mejor herramienta, señaló. En la unión de proteínas al ADN o su interacción con anticuerpos, duplica la capacidad de los métodos convencionales. La nueva IA permite un nuevo nivel de predicción sobre lo que sucede dentro de las células y lo que sale mal cuando hay daño en el ADN. “Esto tiene implicaciones para comprender el cáncer y desarrollar nuevas terapias”, destacó Jumper, pero también para comprender la respuesta de las plantas a los patógenos y las olas de calor, esenciales para garantizar la seguridad alimentaria.
El nivel de complejidad que debe explorar este nuevo sistema es “absolutamente enorme”, en palabras de Max Jaderberg, jefe de IA de Isomorphic Laboratories. Cuando se trata únicamente de moléculas pequeñas, las más interesantes en farmacología, hay alrededor de 10 elevado a la sexagésima potencia, muchas veces más que las estrellas en todo el universo.
Frente a este Goliat de la IA, el bioquímico estadounidense David Baker hace honor a su nombre. El investigador lidera una iniciativa pública y completamente abierta para crear inteligencias artificiales capaces de predecir procesos bioquímicos e inventar nuevos compuestos con propiedades específicas.
Hace dos meses, sin tener repercusión mediática, Baker publicó en Ciencia su nueva IA, que reconstruye moléculas átomo por átomo, predice su unión al ADN y diseña nuevos compuestos que no existían en la naturaleza. «Los creadores de Alphafold 3 dicen que es más preciso que nuestro sistema», explica Baker en un correo electrónico. “Creo que tendrá un gran impacto, aunque no pueden diseñar nuevas proteínas”, añade.
El investigador de la Universidad de Washington (Estados Unidos) destaca otra diferencia importante. “Deepmind no publica el código (de su IA), lo que difiere de la práctica habitual en ciencia”, destaca. Conocer el código base de una IA permite a la comunidad modificarlo y darle nuevas capacidades, mientras que un servidor sólo permite utilizarlo dentro de los límites marcados por su creador.
Al igual que otros sistemas de inteligencia artificial como ChatGPT, Alphafold tiene alucinaciones,—inventa algunos resultados—especialmente cuando describe cosas para las cuales no hay información en las grandes bases de datos con las que entrena.
Una proteína humana puede ser un verdadero monstruo microscópico con decenas de miles de aminoácidos (sus componentes básicos) que se pliegan sobre sí mismos para formar ganchos, rizos, abrazaderas y otras partes móviles que cambian de posición cuando una proteína se une a otra molécula. La nueva IA es especialmente impresionante al describir las “zonas desordenadas” de las proteínas, regiones sin una forma tridimensional fija, que son esenciales para comprender estas interacciones. “Son como la materia oscura de las proteínas”, resume Mafalda Dias, investigadora del Centro de Regulación Genómica de Barcelona, comparando estas regiones con el ingrediente desconocido que constituye el 25% del universo. “El modelo ha sido entrenado con estructuras tridimensionales estáticas, pero como la biología es dinámica, el resultado que propone puede ser muy diferente a la realidad. Los creadores de Alphafold han sido muy francos sobre estas y otras limitaciones”, destaca el científico portugués.
El biólogo del Centro Nacional de Investigaciones Oncológicas Rafael Fernández Leiro, que ha dedicado su vida académica y profesional al estudio de la biología estructural a través de la cristalografía y la microscopía electrónica, pone un ejemplo para entender el potencial de descubrimiento de Alphafold 3. “Dentro de las células hay un cóctel muy complejo de proteínas, ácidos nucleicos, lípidos, proteínas especializadas como enzimas que permiten copiar y leer el ADN y, a su vez, producir otras proteínas. Hasta ahora sólo podíamos establecer la estructura de proteínas aisladas, pero ahora podemos estudiarlas ligadas a otras, al ADN, al ARN, incluso explorar qué pasa si modificamos el conjunto con un residuo de fosfato, o la fosforilación (una modificación epigenética) que cambia la función de todo el conjunto. Este será un generador de hipótesis asombroso. Eso sí, al final los resultados habrá que confirmarlos mediante técnicas convencionales y aquí vendrá lo difícil, porque si este sistema acierta en casi el 80% de los casos, quiere decir que falla en el 20%, porcentaje que Es demasiado alto para perder el tiempo. cuánto dinero cuesta llevar un medicamento a ensayos con pacientes. Pero marcará una gran diferencia en las primeras fases de búsqueda de nuevos fármacos”, detalla.
El bioinformático navarro Íñigo Barrio, que trabaja en el Instituto Welcome Sanger (Reino Unido), destaca la nueva capacidad de esta IA para explicar cómo las proteínas se unen entre sí o con otras moléculas para formar complejos. Un ejemplo clásico es cómo la hemoglobina se une a su ligando, el oxígeno, para transportarlo por todo el cuerpo. “Lo más relevante será la capacidad de predecir la unión de diversos ligandos a proteínas. “Nos permite entender dónde y cómo se va a unir un fármaco a la proteína diana, cómo va a afectar a su biología y los posibles efectos no deseados sobre otras proteínas”, destaca.
En la entrevista que concedió hace unos días para TED, le preguntaron a Hassabis cuál es el próximo gran problema que quiere abordar con la IA. El neurocientífico respondió que cuando se haya construido una Inteligencia Artificial General -capaz de resolver muchos problemas diferentes al mismo tiempo- le gustaría utilizarla para comprender la naturaleza en su nivel más fundamental, en la escala de Planck, donde se producen los alucinantes fenómenos cuánticos. ocurrir. . «Es algo así como la escala de resolución de la realidad», señaló.
«‘Nature’ no debería publicar estudios como éste»
Alfonso Valencia, director de ciencias de la vida del Centro Nacional de Supercomputación, se muestra crítico con la nueva aportación de Deepmind, aunque reconoce que «sin duda representa un avance importante». «Demuestran que es posible un modelo de predicción general para complejos de macromoléculas, lo comparan con métodos anteriores, principalmente de David Baker, su único competidor serio, y muestran mejoras significativas, aunque basadas en unos pocos casos, docenas en cada categoría, lo que hace mucho resultados menos fiables», señala. «El problema obvio es que cuando se ofrece en un servidor, los usuarios tenderán a ignorar las limitaciones y tomar los resultados como confiables en todos los casos. Este problema no es nuevo y los servidores de predicción de estructuras anteriores ya sufrían interpretaciones abusivas. Ahora, con nuevos métodos que sean más populares, potentes y visibles, el problema será peor. Aunque se puede utilizar el método como servidor web, no hacen público el software. Esto es un error y ‘Nature’ no debería publicar estudios con resultados al respecto. No pueden reproducirse ni validarse de forma independiente. No puede ser una cuestión de fe creer o no en los resultados que presentan», afirma.
El experto continúa: «Por último, veremos cómo el mundo académico puede adaptarse a este nuevo cambio y cuánto tiempo llevará tener métodos abiertos y públicos equivalentes. Si nos basamos en casos anteriores, como Alphafold 2, diría muy poco. Entonces tendremos una evaluación más fiable e independiente de las capacidades y limitaciones».
puedes seguir SUJETO en Facebook, X y Instagramo regístrate aquí para recibir nuestro boletín semanal.
