Google frecuentemente acapara titulares en diversos sectores e industrias, desde el negocio publicitario y la búsqueda inteligente hasta la tecnología de autos autónomos y dispositivos personales. Sin embargo, un área de interés quizás menos conocida es la significativa inversión de la empresa en el mundo de la biología y el descubrimiento de medicamentos.

Uno de los aspectos más destacados de esta historia es AlphaFold, la plataforma de inteligencia artificial y modelo fundacional que permitió a DeepMind y Google avanzar de manera increíble en el ámbito biológico. En particular, sus desarrolladores se propusieron aliviar algunos de los desafíos clave que enfrentan los investigadores en el proceso científico; uno de estos problemas de gran relevancia es la capacidad de determinar la estructura y secuencia de las proteínas, los componentes fundamentales de los organismos vivos.

Aunque los 300 millones de proteínas que existen en la Tierra son solo combinaciones de alrededor de 20 aminoácidos básicos, la secuencia y plegamiento de estos elementos son cruciales para las funciones esenciales de la vida. Por lo tanto, la inspiración y creación de AlphaFold surgió para desentrañar el misterio del plegamiento de proteínas y así desbloquear nuevos avances potenciales en la ciencia.

Para lograrlo, los científicos entrenaron AlphaFold con cerca de 100.000 proteínas conocidas. Tras dos importantes iteraciones y en colaboración con Isomorphic Labs, AlphaFold 3 es el último modelo lanzado, que destaca por su alta precisión en la comprensión de las interacciones proteicas y sus capacidades de modelado.

El Dr. John Jumper, PhD, es uno de los principales pioneros detrás del desarrollo de AlphaFold, y describe con entusiasmo la "historia de AlphaFold" como un hito significativo en la ciencia, especialmente en lo que respecta a la comprensión de la estructura y el plegamiento de proteínas: lo que antes tomaba años, ahora puede completarse en solo minutos gracias a esta plataforma.

¿Por qué es importante para el público en general?

Porque esta tecnología tiene numerosas aplicaciones potenciales. Una de las más relevantes es su enorme contribución a las industrias farmacéutica y de descubrimiento de medicamentos. Un fármaco es, en esencia, una pequeña molécula que se une a una proteína en el cuerpo en una configuración específica, y desencadena una serie de eventos que buscan atacar una patología concreta.

El trabajo de AlphaFold y DeepMind en este campo abrió capacidades sin precedentes para identificar estas proteínas con fines de descubrimiento y desarrollo de medicamentos. A medida que los científicos comprenden mejor las estructuras y las interacciones proteicas, pueden crear objetivos más precisos para los medicamentos, entender mejor los efectos secundarios e incursionar en nuevas áreas de interacciones entre proteínas y fármacos que antes no se habían imaginado.

Como describe Max Jaderberg, Director de IA en Isomorphic Labs, este trabajo marca un capítulo monumental en la historia de la humanidad, ya que permite a los científicos "desarrollar terapias de manera racional contra objetivos que antes eran difíciles o considerados intratables para modular".

A pesar del increíble progreso que lograron estas organizaciones, el proceso enfrentó numerosos desafíos. El rápido crecimiento de la tecnología de inteligencia artificial y los modelos fundacionales produjeron una variedad de preocupaciones sobre la confiabilidad y la confianza, especialmente a medida que se utilizan cada vez más en aplicaciones cruciales. Pushmeet Kohli, quien fundó el Equipo de Confiabilidad en DeepMind y ahora es Vicepresidente de Investigación en la empresa, explica que, aunque algunos de los mayores problemas en las ciencias naturales pueden resolverse con aprendizaje automático e inteligencia artificial, también se invierten mucho tiempo y recursos para garantizar que los modelos sean entrenados y desarrollados con el mayor cuidado posible.

En particular, Kohli señala que siempre piensa en cómo hacer que el sistema sea más confiable en la producción de resultados consistentes y precisos, y, lo más importante, en encontrar formas de implementar medidas de seguridad que detecten cuando los sistemas cometen errores.

Sin duda, aunque Google y DeepMind no son los únicos innovadores en este ámbito, probablemente sean de los actores más consolidados en el mercado. Científicos y desarrolladores de todo el mundo reconocieron que la inteligencia artificial tiene un inmenso potencial en este campo y trabajan rápidamente para crear sus propios productos. Por ejemplo, Genomenon, una startup fundada en la Universidad de Michigan, desarrolló productos de IA que aprovechan los datos genómicos para apoyar diagnósticos y terapias de precisión.

La empresa matriz de Facebook, Meta, también invirtió recursos significativos en este sector y desarrolló su propio modelo básico de plegamiento de proteínas, llamado ESMFold. Hasta marzo de 2023, la plataforma afirmaba que su última actualización podía predecir cerca de 772 millones de estructuras proteicas.

La escasez de competidores para AlphaFold y el avance significativo de otras figuras del mercado son indicativos de lo desafiante que es este trabajo, especialmente cuando se establece un estándar tan alto en cuanto a seguridad y confiabilidad. Sin embargo, a pesar de los desafíos, este campo tiene el potencial de generar un impacto considerable en el mundo de la medicina y la atención sanitaria.

*Con información de Forbes US.