La resistencia bacteriana está llegando a un punto crítico, según un informe de la ONU de 2019 de la ONU los patógenos resistentes podrían causar 10 millones de muertes al año para 2050.
Los modelos de IA generativa pueden recorrer el vasto espacio químico para descubrir nuevos medicamentos antimicrobianos más rápido que cualquier ser humano.
Combinar potentes técnicas emergentes de IA podría ser la vía más prometedora para combatir con éxito la resistencia a los antibióticos.
A medida que el mundo sigue recuperándose de la pandemia de COVID-19, los efectos de otro desafío global en curso —la crisis de resistencia a los antibióticos— se hacen cada vez más evidentes. Aunque en muchos lugares ya no se usan mascarillas y las reuniones sociales vuelven a ser la norma, los síntomas de un resfriado pueden causar alarma, pero tomar antibióticos no es la solución. Cuantos más antibióticos tomamos, más bacterias se vuelven resistentes a ellos. Según un informe de la ONU de 2019, de la ONU, los patógenos resistentes podrían causar 10 millones de muertes al año para 2050.
Combatir la resistencia a los antibióticos es una de las misiones clave del recién inaugurado Instituto de Ciencias de las Pandemias de la Universidad de Oxford. Con ayuda de la inteligencia artificial (IA) de nueva generación y, pronto, de la computación cuántica, se centrará en encontrar nuevos fármacos con los que las bacterias aún no se hayan encontrado o que les resulte difícil superar.
La IA acelera la carrera para acabar con la resistencia a los antibióticos
Estas tecnologías ya están trabajando juntas para acelerar el descubrimiento de nuevos medicamentos antimicrobianos. Un subgrupo de la IA de nueva generación, denominado modelos generativos, formula hipótesis sobre la molécula final necesaria para un nuevo fármaco específico. Estos modelos de IA no se limitan a buscar moléculas conocidas con propiedades pertinentes, como la capacidad de unirse a un virus o una bacteria y neutralizarlos; son lo bastante potentes como para aprender características de los datos subyacentes y proponer moléculas nuevas que aún no se han sintetizado. Esta capacidad de diseño, en lugar de búsqueda, es especialmente transformadora porque el número de moléculas potencialmente adecuadas supera al de átomos del universo, una cantidad demasiado grande para las tareas de búsqueda.
Los modelos de IA generativa trabajan más rápido que cualquier ser humano
La IA generativa puede recorrer este vasto espacio químico para descubrir la molécula adecuada más rápido que cualquier ser humano mediante métodos convencionales. El modelado con IA ya respalda investigaciones que podrían ayudar a pacientes con enfermedad de Parkinson, diabetes y dolor crónico. Por ejemplo, los péptidos antimicrobianos (AMP), pequeños compuestos similares a proteínas, son una de las soluciones que se estudian intensamente. Estas moléculas son muy prometedoras como antibióticos de nueva generación porque son intrínsecamente menos susceptibles a la resistencia y se producen de forma natural como parte del sistema inmunitario innato de los organismos vivos.
En estudios recientes publicados en Nature Biomedical Engineering, 2021, la búsqueda asistida por IA de péptidos nuevos, eficaces y no tóxicos produjo 20 nuevos candidatos prometedores en apenas 48 días, una reducción notable frente a los plazos convencionales de desarrollo de nuevos compuestos.
Entre ellos había dos nuevos candidatos contra Klebsiella pneumoniae, una bacteria frecuente en los hospitales que causa neumonía e infecciones del torrente sanguíneo y se ha vuelto cada vez más resistente a las clases convencionales de antibióticos. Obtener un resultado así con métodos de investigación convencionales llevaría años.
AMP ya en uso comercial
La colaboración entre IBM, Unilever y STFC, que alberga uno de los Aceleradores de Descubrimiento de IBM Research en el Hartree Centre del Reino Unido, ha ayudado recientemente a los investigadores a comprender mejor los AMP. Unilever ya ha utilizado esos nuevos conocimientos para crear productos de consumo que potencian los efectos de estos péptidos de defensa natural.
Y, en este Biophysical Journal artículo, los investigadores demostraron cómo los aditivos de moléculas pequeñas (compuestos orgánicos de bajo peso molecular) pueden hacer que los AMP sean mucho más potentes y eficaces. Mediante métodos avanzados de simulación, los investigadores de IBM, junto con los estudios experimentales de Unilever, también identificaron nuevos mecanismos moleculares que podrían explicar este aumento de potencia. Se trata de una prueba de concepto sin precedentes que los científicos seguirán desarrollando en colaboraciones en curso.
Impulsar el descubrimiento de materiales con IA. Los modelos generativos y las simulaciones informáticas avanzadas forman parte de una estrategia mucho más amplia de IBM Research, denominada Descubrimiento Acelerado, en la que usamos tecnologías informáticas emergentes para impulsar el método científico y su aplicación al descubrimiento. El objetivo es acelerar considerablemente el ritmo de descubrimiento de nuevos materiales y fármacos, ya sea para prepararnos ante la próxima crisis global o para abordar rápidamente las crisis actuales y las inevitables crisis futuras.
Este es solo un elemento del ciclo que conforma el método científico revisado, una transformación de vanguardia del enfoque lineal tradicional para descubrir materiales. En términos generales, la IA aprende cuáles son las propiedades deseadas de un nuevo material. A continuación, otro tipo de IA, Deep Search de IBM, examina todo el conocimiento existente sobre la fabricación de ese material específico, es decir, todas las investigaciones previas recogidas en patentes y artículos.
Los modelos generativos tienen el potencial de crear una nueva molécula
A continuación, los modelos generativos crean una posible molécula nueva a partir de los datos existentes. Una vez hecho esto, usamos un ordenador de alto rendimiento para simular esta nueva molécula candidata y las reacciones que debería tener con sus vecinas, con el fin de asegurarnos de que funciona según lo previsto. En el futuro, un ordenador cuántico podría mejorar aún más estas simulaciones moleculares.
El paso final son las pruebas de laboratorio impulsadas por IA para validar experimentalmente las predicciones y desarrollar moléculas reales. En IBM lo hacemos con una herramienta llamada RoboRXN, un pequeño laboratorio de química del tamaño de un refrigerador que combina IA, computación en la nube y robots para ayudar a los investigadores a crear moléculas nuevas en cualquier lugar y momento. La combinación de estos enfoques es idónea para abordar problemas generales de «diseño inverso». En este caso, la tarea consiste en encontrar o crear por primera vez un material con una propiedad o función deseada, en lugar de calcular o medir las propiedades de un gran número de candidatos.
Pruebas de que la IA puede superar los límites de la computación clásica
La crisis de los antibióticos es un ejemplo especialmente urgente de un desafío global de diseño inverso que requiere un verdadero cambio de paradigma en la forma de descubrir materiales. Los rápidos avances en computación cuántica y el desarrollo de técnicas de aprendizaje automático cuántico están creando perspectivas realistas para ampliar el alcance de la inteligencia artificial más allá de las limitaciones de la computación clásica. Los primeros ejemplos apuntan a posibles ventajas cuánticas en la velocidad de entrenamiento de modelos, las tareas de clasificación y la precisión de las predicciones.
En conjunto, combinar las técnicas emergentes de IA más potentes (posiblemente con aceleración cuántica) para aprender características vinculadas a la actividad antimicrobiana con el modelado físico a escala molecular para revelar los mecanismos de acción es, posiblemente, la vía más prometedora para crear estos compuestos esenciales más rápido que nunca.
