Los premios Nobel son casi impredecibles, pero hay nombres que suenan más que otros en los mentideros y David Baker es uno de ellos. Este catedrático de la Universidad de Washington promete revolucionar el mundo y, en cierto modo, ya lo ha hecho, razón por la cual, esta semana ha recibido el premio Fronteras del Conocimiento de la Fundación BBVA por su uso de la inteligencia artificial. Porque más allá de los chatbots y la generación de imágenes, la inteligencia artificial está extendiendo sus zarcillos a través de cada aspecto de nuestra civilización y, en este caso, Baker la ha convertido en una herramienta capaz de diseñar moléculas que nos curen a nosotros y al planeta.

Baker lleva décadas investigando cómo aprovechar las inteligencias artificiales en química, pero es muy consciente de que uno nunca llega suficientemente a tiempo con una tecnología tan espitosa como es la IA. “Hace 30 años que empecé a estudiar sobre la predicción de las estructuras proteicas utilizando ordenadores”, confesó. “Eso significa que me interesé por esta disciplina cuando todavía no existía, pero ojalá hubiera reconocido antes el poder del Deep Learning”. En sus palabras no había pesar, solo la curiosidad propia de alguien que entiende el potencial de estas tecnologías. Tan pronto dijo estas palabras, Baker se inclinó hacia delante con los codos en las rodillas y las manos entrelazadas, su tono había cambiado.

De la teoría a la práctica

Ahora su tecnología tiene tantas aplicaciones como podamos imaginar, pero todo empezó de un modo muy diferente. “Por aquel entonces me interesaba especialmente una cosa: la autoorganización. Uno de los aspectos que diferencian a los seres vivos de los inertes es que los vivos se organizan a sí mismos y las proteínas son el caso más simple. Son una especie de máquinas diminutas que nos mantienen con vida y que están formadas por secuencias de moléculas más pequeñas llamadas aminoácidos, capaces de plegarse sobre sí mismos formando estructuras de tres dimensiones… autoorganizándose”.

“Por aquel entonces ni siquiera soñaba con estas aplicaciones de las que estamos hablando y la verdad es que estoy muy interesado en todas ellas, pero la autoorganización me sigue fascinando” dijo Baker. Por ejemplo, para lograr mayores niveles de complejidad biológica necesitamos formas de crear perturbaciones en el sistema y una de las cosas que estamos haciendo en el laboratorio son proteínas capaces de alterar de forma muy precisa puntos concretos de un sistema. Eso puede ayudarnos a estudiar la complejidad de la organización biológica”.

Y es que, básicamente, las proteínas hacen cosas, cumplen funciones básicas de nuestro cuerpo. “Se han ido adaptando durante cientos de millones de años para facilitar nuestra supervivencia: escapar de tigres, digerir comida, mediar las corrientes eléctricas de nuestro cerebro… Pero ahora nos enfrentamos a retos nuevos para los que no tienen respuesta. Por ejemplo: vivimos más que nunca, así que enfermedades y enfermedades degenerativas como el Alzheimer se están extendiendo por el planeta”. Y así es como Baker pasó de interesarse por la autoorganización a poner el foco en las aplicaciones. “Podríamos esperar lo suficiente para que evolucionaran nuevas moléculas capaces de resolver estos problemas, pero eso llevaría demasiado tiempo, así que hemos decidido desarrollarlas nosotros.”

RoseTTAFold

Con el tiempo, Baker empezó a compaginar su vida académica con el sector privado y llegó a cofundar 11 empresas. Entre ellas, Rossetta Commons es la que le ha traído hasta aquí. Uno de sus productos, RoseTTAFold, es un programa capaz de predecir, mediante la inteligencia artificial, cuál es la “forma” de una proteína a partir de las moléculas que la forman. Y no solo eso, porque también puede hacer el proceso inverso: puede diseñar a la sucesión de moléculas que permitirán construir una proteína con una forma determinada y, por lo tanto, que cumpla la función que nosotros queramos. Así funcionan las proteínas, encajándose unas a otras como si activaran interruptores. Pero ¿cómo lo hacen?

“Por suerte no necesitamos modelizar todo lo que hay en el cuerpo humano”, nos explicó Baker. “Eso sería demasiado complicado, pero sí necesitamos tener claro cuál es nuestro objetivo. Por ejemplo, para tratar un tumor puede que solo nos interese un receptor que haya en la superficie de las células cancerosas. Si logramos diseñar una proteína que se una con mucha precisión al receptor, posiblemente no pueda unirse a nada más”. Solo hará lo que queremos que haga. “Las proteínas diseñadas suelen ser muy específicas, aunque siempre hace falta comprobar si son seguras en la práctica”. Porque por muy bien que funcione una tecnología, casi nunca es infalible.

Nada es perfecto

Por ejemplo,hay veces en las que la inteligencia artificial y los métodos clásicos para predecir la estructura de las proteínas no se ponen del todo de acuerdo. “Cuando la proteína es sencilla y pequeña, si la inteligencia artificial y los métodos tradicionales no concuerdan es muy probable que se estén equivocando los métodos tradicionales. Es posible que se haya colado alguna impureza en la muestra y eso altere los resultados de la cristalografía, por ejemplo. Sin embargo, cuando la proteína es muy compleja y hay discrepancia, el error suele estar del lado de la inteligencia artificial, aunque cada vez son más precisas. Es posible que llegue el momento en que no se equivoquen prácticamente nunca y nos estamos acercando”.

Por eso podemos asegurar que los métodos computacionales no sustituirán a las técnicas con más solera, serán complementarios. “Los sincrotrones seguirán siendo muy útiles para estudiar cómo se mueven las moléculas porque todavía no sabemos cómo resolver esos problemas con la inteligencia artificial. Además, las proteínas se reaccionan con muchas otras moléculas y esas interacciones múltiples también se le escapan a la inteligencia artificial”.

Y, aunque parezca mentira, esa capacidad de procesar cantidades ingentes de información también tienen su lado oscuro. “Hasta ahora usábamos métodos más físicos, modelizábamos con mucho detalle las interacciones entre los átomos y, hasta cierto punto, eso nos permitía entender cómo funcionaban las proteínas. Ahora, en cambio, estamos usando métodos opacos, porque el Deep Learning parece magia negra, tienen cientos de millones de parámetros cuyas relaciones escapan a la comprensión humana. Nos permite resolver problemas complejos, eso es cierto, pero no nos deja claro cómo funcionan exactamente estas proteínas”.

De hecho, sigue habiendo un margen de error importante cuando estas inteligencias artificiales tratan de ingeniar moléculas. “Hemos diseñado muchísimas proteínas gracias a la inteligencia artificial, aunque cuando las creamos en el laboratorio solo unas pocas se comportan como nosotros pretendíamos”. Esto no significa que no funcionen, ni mucho menos, pero, en palabras de Baker: “Si queremos aplicarlas necesitamos encontrar métodos más eficientes”.

Un mundo de posibilidades

Las aplicaciones de esta tecnología son incontables. “Muchos investigadores vienen a mi laboratorio para intentar resolver problemas de lo más diversos. Existen tantas disciplinas donde esta tecnología puede ser transformadora: medicina, energía, tratamiento de residuos, nuevos materiales… Así que tenemos mucho trabajo por delante”. Podemos diseñar vacunas, sustancias que degraden el plástico y obtener nuevas fuentes de energía. “Ahora mismo estamos diseñando sistemas fotosintéticos artificiales que pueden ser muy útiles, y en ellos la catálisis juega un papel fundamental”, revela Baker, cuyo equipo no es el único que está tras esta tecnología.

Poco a poco fue enumerando más aplicaciones. “Podríamos integrar proteínas con chips para así detectar moléculas biológicas y responder a ellas”, dijo entusiasmado justo antes de detener la enumeración. Podría haber seguido durante horas, pero había logrado transmitir lo que quería: que las aplicaciones de su creación son, por ahora, literalmente incontables. Aunque, para explorar todas esas posibilidades hace falta pasarse al sector privado.

“Es muy emocionante investigar y publicar un artículo científico, pero hay mucho más trabajo que hacer, y ahí es donde entran en juego las empresas”, reconoció Baker. “Normalmente, los estudiantes que vienen a mi laboratorio terminan diseñando algunas proteínas y, al acabar la tesis, suelen querer llevarlas un paso más allá de lo académico. Aplican las moléculas y los métodos que han aprendido al mundo empresarial y buscan usos clínicos. Porque, por lo general, los mismos que diseñan una proteína acaban implicándose en la búsqueda de aplicaciones. Para ellos, esas moléculas son sus bebés y no les gusta abandonarlas”.