Estamos acostumbrados a que casi cada innovación en el mundo de la inteligencia artificial va acompañado con un enorme cantidad de cosas poco concretas y menos tangibles. Promesas, promesas y promesas que, de vez en cuando, llegan a buen puerto. Hoy, por suerte, es uno de esos casos. Una red neuronal acaba de identificar un compuesto, la halicina, que se ha mostrado muy prometedor atacando bacterias difíciles de matar.
Pero eso no es lo mejor. Lo mejor es que con el descubrimiento de la halicina, el uso de enfoques de aprendizaje profundo aplicados al mundo de los antibióticos muestra su potencial. Un potencial que llega en el mejor momento: en mitad de una profunda crisis farmacológica que amenaza el futuro cercano de la medicina moderna.
No hay antibióticos para tanta superbacteria
Hal Gatewood
La última vez que un ser humano dijo "hemos descubierto una nueva clase de antibióticos" eran los años 80 y muchos no habíamos ni nacido. En esencia, todos los antibióticos que se han lanzado durante estas tres décadas son variaciones de medicamentos que ya se habían encontrado antes. ¿La razón? Es como "buscar una aguja en un pajar" si el pajar tuviera varias decenas de hectáreas. El Wellcome Trust estima que el proceso necesario para encontrar uno no duraría menos de 15 años y no costaría menos de mil millones de euros. Todo eso sin saber si va a ser un proceso exitoso o no.
En cualquier otro escenario, uno que incluyese un alarmante crecimiento de las bacterias multirresistentes, esto no sería más que una curiosidad histórica más propia de un concurso televisivo que de un medio como el nuestro. El problema es que ese no es el caso. Lo cierto es que nuestra capacidad de encontrar nuevas moléculas se ha ralentizado casi a la misma velocidad en que crecía la preocupación sobre la resistencia a los antibióticos. Por suerte, tenemos (lo que creemos que es) un arma secreta: la inteligencia artificial.
Aprendizaje profundo vs bacterias multirresistentes
Yassine Khalfalli
El runrun de que el aprendizaje automático iba a ser una buena metodología para abordar este problema lleva años entre nosotros, pero eso tiene poco mérito. No creo que exista ningún problema contemporáneo para el que no se haya propuesto una solución basada en inteligencia artificial. La diferencia es que ahora, gracias a James Collins, biólogo sintético del MIT tenemos un nuevo método para intentar descubrir nuevos antibióticos de manera rápida y eficiente a través del aprendizaje automático.
Utilizando compuestos conocidos por suprimir el crecimiento de E. coli, el equipo de Collins entrenó una red neuronal mediante machine learning para identificar posibles antibióticos. Una vez a punto, los investigadores la usaron para examinar miles de moléculas registradas en numerosas bibliotecas químicas existentes e intentaron predecir su efectividad. Los investigadores encontraron que casi el 50% de los compuestos identificados por la red eran efectivos in vitro para acabar con la E. coli.
Un inicio muy esperanzador
Esto, pese a que seguimos hablando de un 50%, es una excelente noticia porque, aunque esas enormes bibliotecas de moléculas han estado disponibles durante años, los equipos de investigadores no tienen una forma eficiente de seleccionar las que, con mayor probabilidad, pueden tener propiedades antibióticas. Si, como sugiere el equipo de Collins en Cell, se pueden usar redes neuronales para identificar buenos candidatos podríamos ahorrar mucho tiempo y recursos.
La red de Collins, además, identificó un compuesto (la halicina) que parece tener buenos resultados con patógenos como la Clostridium difficile, el bacilo de Koch o la Acinetobacter baumannii. No debemos engañarnos la investigación sobre estas redes neuronales está en pañales y queda mucho trabajo, pero es reconfortante ver cómo este tipo de enfoques dejan el mundo de las posibilidades y se pasa a materializarse en proyectos interesantes.
Imagen | Andrii Ganzevych
Ver 8 comentarios