Análisis del “gran examen” en el diseño de anticuerpos por IA: ¿Funciona realmente después de que se disipa el halo de gloria?
Hola a todos, soy vuestro periodista financiero y economista. Hoy no vamos a hablar sobre las subidas y bajadas del mercado bursátil, sino sobre el tema más popular en el mundo de la biomedicina en estos días, y también el que más fácilmente se exagera: ¿Puede la IA crear directamente medicamentos anticuerpos que curan enfermedades?
En los últimos dos años, cada vez que se mencionaba la fabricación de fármacos con IA, lo que se escuchaba eran palabras como “revolución” y “fama instantánea”. Especialmente después del surgimiento de AlphaFold, una herramienta para predecir la estructura de las proteínas, toda la industria entró en euforia. Muchas empresas afirmaban que, con solo proporcionarle a la IA un antígeno (por ejemplo, un virus), esta podría diseñar anticuerpos de alta afinidad directamente en la computadora, eliminando el proceso de selección largo y laborioso que se lleva a cabo en los laboratorios tradicionales.
Sin embargo, recientemente se publicó un artículo de gran importancia en la revista *Nature Biotechnology*, que organizó un “examen de simulación real” llamado “AIntibody Challenge”. Este examen no tuvo filtros ni trucos: se sintetizaron 511 secuencias de anticuerpos diseñadas por IA y se realizaron experimentos reales con ellas.
¿Cuál fue el resultado? En resumen: La IA sí tiene sus habilidades y puede ser de gran ayuda en ciertas etapas, pero está lejos de ser “onipotente”, y las diferencias entre los distintos modelos de IA son mucho mayores de lo que se piensa.
A continuación, desglosaré los resultados de este “gran examen” en cinco aspectos para que podáis comprender el verdadero nivel del diseño de anticuerpos por IA.
---
1. ¿Cómo se llevó a cabo el examen? No fue un examen abierto, sino una prueba ciega
Primero, debemos entender por qué este examen es importante. Muchos artículos sobre IA en el campo de la medicina hablaban de resultados excelentes porque utilizaban “datos retrospectivos”. Es como si el profesor te diera las respuestas y luego te pidiera que adivinaras las preguntas; por supuesto, acertarás. Pero el desarrollo de fármacos es un proceso “prospectivo”: solo tienes los datos de secuenciación y no sabes el resultado final; debes basarte en tus propias habilidades para hacer predicciones.
El “AIntibody Challenge” imitó el famoso concurso de predicción de estructuras proteicas (CASP) y utilizó un diseño prospectivo y ciego.
- Objeto del examen: Se eligió el dominio de unión del receptor de SARS-CoV-2 (RBD), que ha sido estudiado en profundidad.
- Tres tareas:
1. Mejorar la afinidad: Se proporcionó un conjunto de datos de anticuerpos existentes y se pidió a los sistemas AI que los ajustaran para que se unieran más firmemente al antígeno. Esto corresponde a la etapa de optimización posterior en la industria.
2. Seleccionar el mejor candidato: Se dieron miles de secuencias y se pidió a los sistemas AI que eligieran la más prometedora para su uso en fármacos. Esto corresponde a la selección de moléculas candidatas después de un cribado de alta velocidad.
3. Diseñar desde cero: Se pidió a los sistemas AI que crearan secuencias de anticuerpos completamente nuevas, sin recurrir a bases de datos existentes. Esta es la tarea más difícil.
- Criterios de evaluación: No solo se consideró la afinidad, sino también la viabilidad como fármaco: ¿El anticuerpo se agruparía de manera incontrolada? ¿Es estable térmicamente? ¿Se uniría a cosas no deseadas? Si alguna de estas condiciones no se cumplía, incluso si la afinidad era alta, el anticuerpo sería descartado.
Lógica central: Este examen eliminó la posibilidad de juzgar los resultados a posteriori; todas las secuencias enviadas por los sistemas AI se sintetizaron y se sometieron a experimentos unificados. Este es el “estándar de oro” para evaluar la verdadera capacidad de la IA.
---
2. Momentos destacados: En la tarea de ajuste, la IA realmente puede ahorrar dinero y tiempo
En la tarea 1, la IA tuvo el mejor desempeño.
Es como si ya tuvieras un borrador decente de un anticuerpo y la IA ayudara a perfeccionarlo.
- Resultados: El modelo de percepción estructural de la empresa Aureka diseñó un anticuerpo con una afinidad aumentada en aproximadamente 2000 veces, alcanzando los 95 pM (un nivel muy bajo, lo que indica una fuerte capacidad de unión). Este resultado fue casi igual al del anticuerpo óptimo obtenido mediante experimentos tradicionales (113 pM), y no había diferencia estadísticamente significativa.
- Descubrimiento inesperado: Un equipo que utilizó métodos estadísticos simples (ProBioGen) sin aprendizaje profundo también obtuvo el tercer lugar. Esto demuestra que, con suficientes datos reales, incluso métodos estadísticos simples pueden ser muy efectivos.
- Valor industrial: En esta etapa, la IA puede ser de gran ayuda. Un cribado tradicional podría llevar de 2 a 3 semanas; si la IA pudiera seleccionar varios candidatos prometedores de antemano, se podría acortar significativamente el ciclo de desarrollo y reducir los costos de error.
Interpretación sencilla: Si se le pide a la IA que “mejore” un producto que ya es bueno, lo hace muy bien. Es como si le pidieras a la IA que corrija un ensayo ya escrito: puede detectar errores de ortografía y mejorar las frases, con resultados inmediatos.
---
3. Momentos incómodos: En la tarea de selección, la IA no es mejor que tirar al azar
Esta es la parte más sorprendente y vergonzosa del artículo para la industria.
En la tarea 2, el desempeño de la IA fue pésimo.
- Realidad cruda: Los investigadores descubrieron que, si no se utilizaba la IA y se seleccionaba al azar una secuencia entre miles, había un 39% de posibilidades de obtener un anticuerpo mejor que el del grupo de control.
- Fracaso de la IA: La mayoría de los modelos de IA tuvieron un rendimiento inferior al de la selección al azar. Es decir, los anticuerpos seleccionados por la IA no eran mejores que aquellos elegidos al azar.
- Único punto brillante: De los 26 equipos participantes, solo el de la Universidad de Washington (WashU) superó el rendimiento al azar.
- Pobre capacidad de generalización: El mismo algoritmo de IA que fue campeón en un conjunto de datos resultó ser el peor en otro. Esto indica que la IA no realmente entiende las reglas de funcionamiento de los anticuerpos, sino que solo recuerda las características de datos específicos.
Interpretación sencilla: Es como si se le pidiera a la IA que corrigiera exámenes. Si el problema ya ha sido resuelto en el pasado, puede hacerlo bien; pero si el problema es completamente nuevo y necesita encontrar la respuesta correcta entre muchas opciones, no es tan eficiente como un humano que elige al azar. Esto revela una gran debilidad de la IA en la predicción de la afinidad.
---
4. Momentos problemáticos: En la tarea de innovación, la IA creó moléculas “hermosas pero letales”
En la tarea 3, la IA mostró su imaginación, pero también sus limitaciones en términos de aplicabilidad farmacéutica.
- Mejor resultado: El modelo de lenguaje proteico de la empresa Xencor diseñó un anticuerpo con una afinidad muy alta (2.9 pM), el mejor del conjunto.
- Defecto fatal: Este anticuerpo no se podía extraer de una columna cromatográfica por su naturaleza hidrofóbica, lo que representa un problema grave en el desarrollo de fármacos, ya que indica una alta tendencia a agruparse durante el proceso de producción.
- Defectos en los criterios de evaluación: Debido a que el concurso permitía que otros indicadores compensaran los fracasos en un solo aspecto, este anticuerpo obtuvo el primer lugar. Sin embargo, en el desarrollo real de fármacos, esta molécula sería descartada.
- Limitaciones de la innovación: Muchos de los diseños “nuevos” en realidad solo eran modificaciones mínimas de secuencias existentes; pocos eran verdaderamente innovadores.
Interpretación sencilla: La IA es como un artista talentoso pero sin experiencia en ingeniería: puede crear obras impresionantes (alta afinidad), pero los componentes utilizados pueden ser peligrosos o inestables para su uso en fármacos. Puede ganar premios en exposiciones artísticas, pero no ser adecuado para uso práctico. Esto demuestra que una alta afinidad no garantiza la efectividad de un fármaco, y la IA aún no entiende los riesgos biofísicos asociados.
---
5. Lecciones para la industria: No confiéis ciegamente en modelos “onipotentes”; la IA es una asistente, no un reemplazo
Este “gran examen” ha servido como una llamada de atención para toda la industria de la biomedicina y ofrece sugerencias prácticas:
- No existe un modelo que funcione en todos los casos:
- Para tareas de ajuste, la combinación de modelos de percepción estructural y de lenguaje es la mejor.
- Para la selección, incluso el aprendizaje automático tradicional o la selección al azar pueden ser efectivos.
- Para la innovación, los modelos de lenguaje proteico son relativamente buenos, pero deben ser verificados rigurosamente.
- Conclusión: No esperéis que un solo modelo de IA resuelva todos los problemas. La industria debe utilizar una estrategia combinada, utilizando la IA como generador de candidatos eficiente, no como el decisor final.
- Los experimentos reales son esenciales:
- Los cálculos no pueden reemplazar las pruebas experimentales reales. Las secuencias con alta afinidad sugeridas por la IA a menudo conllevan riesgos como la agregación de las moléculas o la multitargetación.
El estándar de oro: La verdadera validación siempre debe basarse en un diseño prospectivo y ciego, seguido de pruebas experimentales completas.
- Direcciones para la próxima generación de tecnologías:
- Eliminar las etiquetas de afinidad proporcionadas de antemano para simular procesos de descubrimiento más tempranos.
- Establecer criterios que descarten las opciones con baja calidad, incluso si tienen altas puntuaciones.
- Expandir el alcance de los antígenos para evaluar la capacidad de la IA en diferentes especies y objetivos.
En resumen:
El diseño de anticuerpos por IA no es una “revolución ya completada”, sino que se encuentra en un punto de inflexión. Ya ha demostrado su valor en tareas de optimización local, ahorrando tiempo y costos en el desarrollo de fármacos. Sin embargo, todavía hay una gran distancia entre el objetivo ideal de generar anticuerpos clínicos directamente a partir de antígenos y la realidad biológica.
Para inversores y profesionales, es esencial desinflar las expectativas exageradas. No creáis en promociones que afirman que la IA puede reemplazar completamente los experimentos reales; debemos reconocer el valor real de la IA en etapas específicas del proceso de desarrollo de fármacos. Los ganadores del futuro serán aquellos que sepan cómo combinar la IA con experimentos reales de manera efectiva, no los que adoren ciegamente a los algoritmos.