OpenAI ha publicado un caso de uso del laboratorio de César de la Fuente, bioingeniero que busca moléculas antimicrobianas rastreando los genomas de organismos vivos y extintos. El dato que ordena la historia: unos 5 millones de muertes en 2021 se asociaron a resistencia bacteriana, y la proyección es que esa cifra casi se duplique en 2050.
Puntos clave
- Unos 5 millones de muertes en 2021 se asociaron a resistencia bacteriana a los antimicrobianos. La proyección para 2050 es aproximadamente el doble.
- "No hemos tenido una clase nueva de antibióticos en 50 años", dice De la Fuente, que califica la resistencia antimicrobiana como una de las mayores amenazas existenciales para la humanidad.
- Los modelos propios del laboratorio reducen la búsqueda inicial de moléculas candidatas de años a horas.
- ChatGPT y Codex se usan para plantear hipótesis, escribir y depurar código, procesar conjuntos de datos y cruzar ideas entre disciplinas.
Qué hace distinto a este laboratorio
Casi todo el desarrollo moderno de antimicrobianos consiste en modificar medicamentos que ya existen o rebuscar en familias químicas conocidas. Ese camino da cada vez menos.
El laboratorio de De la Fuente empieza en otro sitio: el código de la vida. La idea de fondo es tratar la biología como un sistema de información. Los nucleótidos del ADN y los aminoácidos de proteínas y péptidos funcionan como un alfabeto, y si es un alfabeto se pueden buscar patrones en él.
Sus modelos de aprendizaje profundo están entrenados para reconocer esos patrones en secuencias biológicas, lo que les permite rastrear enormes bases de datos de genomas y proteínas buscando antimicrobianos potenciales. El resultado práctico es el que importa: lo que antes era una búsqueda inicial de años pasa a resolverse en horas.
Ojo con lo que significa "resolverse". Encontrar un candidato prometedor no es tener un medicamento. Después hay que confirmar que la molécula mata al microbio objetivo, medir cuánta hace falta, ver cómo afecta a células humanas, optimizarla, calcular a qué dosis se vuelve tóxica, comprobar con qué facilidad aparecen resistencias, estudiar cómo se mueve por el cuerpo y encontrar una forma fiable de fabricarla. Y luego llega la revisión regulatoria y los ensayos clínicos.
La IA como puente entre disciplinas
La parte del caso que más se puede trasladar a una empresa normal no tiene nada que ver con biología.
El equipo es transdisciplinar: gente de biología, de química, de informática y de ingeniería. Unos programan bien pero saben menos de biología o de química. Otros al revés. Codex y ChatGPT se usan para tapar esos huecos: los biólogos construyen programas y los programadores se meten en problemas biológicos.
Se usa también para repasar temas ajenos que hacen falta para el trabajo cruzado, aclarar terminología, comparar métodos entre campos y ordenar ideas. Otros lo usan para descargar, organizar y preprocesar conjuntos de datos genómicos grandes. Y hay un detalle que en un equipo internacional pesa más de lo que parece: los miembros del laboratorio pueden trabajar en su idioma.
De la Fuente describe su espacio de trabajo en ChatGPT como una especie de caja de resonancia colectiva, donde la gente mete sus ideas buenas y las malas.
Él mismo la usa sobre todo para dar forma a una hipótesis antes de llevarla al equipo, y dice que valora tener el acceso a la información del mundo a un clic. Su tesis sobre dónde aparecen los hallazgos explica por qué le importa tanto el cruce entre campos: "Ahí es donde están esperando los descubrimientos. En los bordes entre disciplinas, donde va muy poca gente."
El problema real es de escala, no de inteligencia
Merece la pena entender por qué la IA encaja aquí, porque el motivo se repite en cualquier proceso de empresa.
Solo una fracción de un genoma tiene una función claramente entendida, y una fracción todavía menor codifica moléculas capaces de atacar microbios. Las bases de datos digitales de genomas y proteínas han ampliado enormemente el terreno donde buscar, y esa abundancia trae su propio problema: encontrar la señal entre un número gigantesco de posibilidades.
Es una tarea de aguja en un pajar, y ahí es donde la máquina gana. Puede recorrer conjuntos de datos enormes, detectar patrones que a una persona se le escapan y dejar una lista manejable de candidatos para llevar al banco de pruebas. No es inteligencia superior, es capacidad de mirarlo todo sin cansarse.
El matiz que no se salta
En un anuncio de OpenAI, lo llamativo es que el científico ponga el freno dos veces.
"Obviamente siempre hay que comprobar la exactitud", dice sobre apoyarse en la IA. Y antes: "Los experimentos de verdad son esenciales para validar las predicciones de la IA."
Esa segunda frase es la que ordena todo el caso. El modelo propone candidatos, el laboratorio los comprueba en el banco. Sin la comprobación, la predicción es una lista de moléculas que nadie sabe si sirven.
Es el mismo esquema que aparece en el avance de OpenAI sobre problemas matemáticos: la IA genera muchas tentativas y algo externo comprueba cuáles aguantan. Ahí la comprobación la hace un verificador lógico en segundos. Aquí la hace un experimento que tarda meses, que es justo lo que impide que esto vaya tan rápido como los titulares sugieren.
Por qué importa
Si diriges un equipo, el caso útil aquí no es el descubrimiento de fármacos, es la plantilla de equipo.
De la Fuente tiene el mismo problema que tiene cualquier empresa mediana: gente buena en cosas distintas que no se entienden entre sí. El de datos no conoce el negocio, el de operaciones no sabe consultar la base de datos, y el de marketing no sabe leer un informe de costes. Ese roce se paga todos los días en reuniones de traducción.
Lo que ha hecho su laboratorio es usar la IA para que cada uno pueda entrar un paso en el terreno del otro, sin convertirse en experto. El biólogo escribe su script, el programador entiende qué está buscando. Nadie deja de hacer su trabajo, pero la frontera deja de ser un muro.
Y la segunda lección es el freno. Ellos no han quitado el experimento, han acelerado lo de antes. En una empresa, el equivalente del experimento es el dato real, el cliente que responde, el número que cuadra a fin de mes. Si aceleras la parte de generar ideas y no refuerzas la de comprobarlas, lo único que has conseguido es equivocarte más rápido.
Fuente original: OpenAI
Relacionado
