Investigadores usan Codex y ChatGPT para acelerar la búsqueda de moléculas antimicrobianas

César de la Fuente, bioingeniero de la Universidad de California, ha publicado cómo su grupo emplea IA generativa para acortar la etapa de cribado de candidatos antimicrobianos. Los modelos de deep learning entrenados en secuencias genómicas identifican patrones que pueden indicar actividad contra microbios resistentes. Con esa información, la IA sugiere códigos, procesa bases de datos y genera hipótesis en cuestión de minutos.

El proceso parte de la premisa de que la biología es un sistema de información: los nucleótidos y aminoácidos forman un alfabeto que puede ser analizado como datos. Los algoritmos de la lab buscan en enormes repositorios de genomas y proteomas, filtrando miles de millones de posibles secuencias hasta una lista manejable de candidatos. Según el propio investigador, esa fase que antes llevaba años ahora se completa en horas.

Para pasar de la predicción a la validación, el equipo sigue el flujo tradicional: pruebas in vitro, determinación de la concentración mínima inhibitoria, evaluación de toxicidad en células humanas y optimización química. De la Fuente insiste en que la IA solo acelera la identificación; los experimentos de laboratorio siguen siendo esenciales para confirmar cualquier hallazgo.

Codex y ChatGPT juegan varios roles. Sirven de asistente de programación para biólogos que no dominan lenguajes como Python, traducen conceptos químicos a código y organizan datos de secuencias. Además, permiten a los miembros del grupo interactuar con la IA en varios idiomas, reduciendo la fricción de comunicación entre disciplinas. De la Fuente describe a ChatGPT como una “caja de resonancia” donde el equipo vierte ideas, buenas o malas, y recibe retroalimentación que ayuda a refinar hipótesis.

El enfoque no está exento de riesgos. La precisión de los modelos debe revisarse constantemente y los resultados pueden contener sesgos derivados de los datos de entrenamiento. El investigador advierte que la validación experimental sigue siendo el cuello de botella, y que la colaboración entre IA y biología será cada vez más crítica para explorar los espacios poco estudiados del genoma.

Esta estrategia abre la puerta a una búsqueda más sistemática de antibióticos en organismos vivos y extintos, ampliando el espectro de fuentes más allá de los compuestos tradicionales de plantas o bacterias. Si la combinación de IA y biología logra escalar, podría revitalizar la generación de nuevas clases de fármacos en un campo que lleva medio siglo sin novedades significativas.

Implicaciones

Para los equipos de infraestructura y desarrollo, el caso muestra cómo integrar modelos de IA generativa en pipelines de investigación científica, exigiendo entornos de cómputo con GPU y gestión de datos a gran escala. También subraya la necesidad de herramientas que faciliten la colaboración entre expertos de dominios dispares, un reto que va más allá del mero rendimiento de los modelos y toca la usabilidad y la integración de flujos de trabajo.

Queda pendiente ver cuántos de los cientos de candidatos propuestos pasarán las etapas preclínicas y si la reducción de tiempo en la fase de descubrimiento se traduce en una mayor tasa de éxito en ensayos clínicos.