Alberto Muñoz

El descubrimiento de antibióticos con inteligencia artificial

Nuevos modelos computacionales combinados con herramientas biológicas generan la creación de enormes bases de datos para el descubrimiento de nuevos agentes antibacterianos y antibióticos, dice Alberto Muñoz.

La penicilina se usa de manera creciente como un antibiótico en miles de hospitales y hogares alrededor del mundo, a pesar de ciertos determinantes que generan resistencia a su efectividad. El sector privado ha reducido su interés en la inversión financiera para el desarrollo de nuevas investigaciones en esa dirección. Desgraciadamente, sin un constante apoyo en la investigación científica y en el desarrollo tecnológico en el descubrimiento de nuevos antibióticos, se proyecta un posible incremento - dramático - en el número de muertes ante infecciones resistentes a los, hasta hoy conocidos antibióticos. Gracias al creciente poder de cómputo de los últimos años, se han venido validando nuevos modelos computacionales que combinados con herramientas biológicas generan la creación de enormes bases de datos para el descubrimiento de nuevos agentes antibacterianos y antibióticos. Los algoritmos necesarios para realizar las búsquedas en dichas fuentes de datos permitirían entonces abatir el costo de "curar" dicha información, de manera a incrementar la identificación de nuevos antibióticos. Se requiere, en resumen, de nuevas estrategias algorítmicas para poder hacer predicciones sobre las propiedades de nuevas clases y estructuras de antibióticos en simulación, al interior de la computadora y no en costosos y tardados experimentos de laboratorio. Con esto en mente es justamente que Stokes et al. (Cell, Vol. 180-4, feb. 20, 2020, pags. 688-702) llevaron a cabo el entrenamiento de algoritmos de aprendizaje profundo (deep learning, redes neuronales con estructuras convolutivas) para predecir nuevos antibióticos basado en su estructura. La metodología que proponen es muy similar a las clásicas implementaciones de redes neuronales, las que dependen grandemente de la calidad de los datos (garbage-in garbage-out), salvo que ellos complementan el experimento con el soporte de fases experimentales posteriores, pero sobre una lista mínima de candidatos.

Aquí quiero resaltar 3 aspectos que en ocasiones generan incertidumbre en los medios. Primero, las tan referidas técnicas de inteligencia artificial, en particular el llamado Deep Learning, requiere de una correcta incorporación en la práctica de atención a temas complejos, claramente dependientes del saber-hacer de expertos en la materia y la ciencia básica, médicos en el caso en cuestión. No es simplemente aplicar una nueva y exótica técnica por solo implementarla o porqué un proveedor gigante nos ofrece soluciones mágicas. Segundo, la aplicación de dichas tecnologías y algoritmos no requiere de grandísimos equipos de cómputo inaccesibles para la mayoría de los sectores de servicios, tanto públicos como privados: salve la necesidad de mantener la integridad de la información y la gobernabilidad de los resultados de manera correcta. Tercero, dichas técnicas aplicadas - como el ejemplo aquí referido - implican la incorporación de nuevas prácticas operativas para los equipos estratégicos de las organizaciones. Nuestro mismo sistema educativo ha ido respondiendo a los denominados retos del nuevo milenio, las prácticas internacionales que buscan impulsar el sistema de competencias y la accesibilidad cada vez más abrumadora a fuentes de información, implican el poder aprender a abordar problemas de manera cada vez más innovadora, reflectiva, responsable, comprometida con el medio ambiente y la sociedad.

Además de generar un hito importante en la biología molecular, los recientes descubrimientos en la efectividad de una de las técnicas de inteligencia artificial, comienzan a rebasar el espectro de su uso, y rebasar la clásica caricatura de aplicación en simplemente encontrar las diferencias entre la imagen de un "gatito" y un "panquecito", tarea por cierto bastante compleja para la IA, como fue el argumento de crítica al entusiasmo de muchos de nosotros ante dichos resultados.

Lo que necesitamos ahora es impulsar de manera más oportuna la incorporación de empresas nacionales - que llevamos muchos años trabajando en proyectos similares - y en la necesaria interacción y promoción de las carreras de ciencia, tecnología, arte, ingeniería y matemáticas (en inglés STEAM). Sin eso, aplicaciones tan importantes como la que hoy nos ocupa serían imposibles de realizarse sin la integración de saberes multi e interdisciplinarios, ni con la tan diversas fuentes de financiamiento que se ilustran el artículo referido, donde identificamos a más de 4 países, diversos organismos y agencias de financiamiento públicas (incluso de fundaciones privadas), universidades públicas y privadas. La incorporación de nuevas tecnologías para el avance de la ciencia en favor de la sociedad implica todo un abanico de cambios urgentes en nuestro aparato productivo.

COLUMNAS ANTERIORES

Nvidia GTC: la conferencia de la era de inteligencia artificial
Freud y la GenAI

Las expresiones aquí vertidas son responsabilidad de quien firma esta columna de opinión y no necesariamente reflejan la postura editorial de El Financiero.