Outer Bio, la compañía de Michael Polansky y Lady Gaga, ha salido del sigilo con una plataforma que mantiene piel humana viva y medible durante cuatro semanas, contra la semana escasa que aguanta en un laboratorio normal. Los datos que salen de esos experimentos entrenan un modelo que propone el siguiente compuesto a probar.
Es un ejemplo bastante limpio de un patrón que se va a repetir mucho: la IA no es el producto, es el segundo paso de un bucle cuyo primer paso es generar datos que antes no existían.
Puntos clave
- La plataforma se llama Yuna y sostiene tejido de grosor completo con epidermis, dermis, tipos celulares residentes e inmunidad.
- Cuatro semanas de viabilidad experimental frente a alrededor de una semana en los modelos ex vivo habituales.
- Cada experimento alimenta un modelo que propone compuestos con probabilidad de afectar a un proceso concreto de la piel, y cada resultado afina la siguiente predicción.
- Polansky sitúa el ritmo de descubrimiento en un candidato nuevo cada seis semanas, frente a dos en unos 18 meses antes, con seis líneas activas.
- Un preprint en bioRxiv de abril reproduce resultados conocidos: estimulación con IL-17 e IL-22 genera un estado tipo psoriasis, revertido con tofacitinib, un inhibidor JAK.
El cuello de botella era el tejido, no el algoritmo
La cosmética y la dermatología reciclan los mismos principios activos desde hace décadas, y la razón es aburrida: la piel de laboratorio se muere en una semana. Con esa ventana solo se pueden hacer pruebas rápidas, y los procesos que interesan (envejecimiento, inflamación crónica, reparación) tardan más.
Cuatro semanas cambian qué preguntas se pueden hacer. Y ese es el punto que interesa aquí: el avance no vino de un modelo mejor, vino de poder generar un tipo de dato que antes no se podía generar.
El propio comunicado de Outer Bio lo plantea así, que la plataforma produce datos que "la biología impulsada por IA está pidiendo a gritos", y que solo el experimento valida el razonamiento del modelo.
Cómo funciona el bucle
El circuito es sencillo de describir. El modelo propone compuestos que deberían afectar a un proceso concreto. Los compuestos se prueban sobre el tejido vivo durante semanas. Los resultados vuelven al modelo y ajustan la siguiente tanda.
Polansky da la cifra de rendimiento: de dos candidatos en unos 18 meses a uno nuevo cada seis semanas. Seis líneas activas ahora mismo en el proceso.
El preprint de bioRxiv sirve de validación: la plataforma reprodujo un estado similar a la psoriasis provocado con las citoquinas IL-17 e IL-22 y lo revirtió con tofacitinib, un inhibidor JAK ya conocido. También mostró atenuación del envejecimiento celular con dasatinib y quercetina, y mitigación del daño por radiación UVB con protector solar.
Reproducir lo ya sabido es exactamente lo que hay que enseñar primero. Si el sistema no recupera los resultados conocidos, sus resultados nuevos no valen nada.
El caveat honesto
Yuna es piel, pero no es una persona. No tiene flujo sanguíneo, y le faltan las células inmunes que la piel recluta del resto del cuerpo cuando pasa algo.
Eso limita qué se puede concluir. Un compuesto que funcione ahí sigue teniendo por delante todo el camino habitual, y ningún preprint sustituye un ensayo clínico.
Por qué importa
Para quien está metiendo IA en su empresa, la lección no va de dermatología. Va de dónde estaba el cuello de botella.
Outer Bio no ganó velocidad poniendo un modelo mejor encima de los datos de siempre. La ganó construyendo la capacidad de generar datos nuevos, y luego poniendo el modelo a aprender de ellos.
Esa es la misma secuencia que funciona dentro de una empresa. Antes de pedirle a un modelo que prediga demanda, ventas o roturas de stock, la pregunta útil es qué datos tienes, con qué calidad, y qué dato que hoy no capturas cambiaría de verdad la predicción. Casi siempre el trabajo grande está ahí, y es el que nadie quiere hacer porque no se enseña bien en una demo.
Fuente original: outerbio.com
Relacionado
