La probabilidad combinada que encierra el desdoblamiento de las proteínas, maquinarias microscópicas y sofisticadas presentes en todos los organismos vivos, presenta un desafío complejo

8 de agosto de 2021

Sebastián Campanario

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.

Sebastián Campanario