Científicos Utilizan un Algoritmo para Explorar la Diversidad Microbiana Global, Acelerando la Investigación sobre la Resistencia a los Antibióticos

Eric Berger
Miércoles 5 de junio de 2024

En un estudio reciente, se ha utilizado el aprendizaje automático para predecir posibles nuevos antibióticos en el microbioma global, lo que, según los autores del estudio, representa un avance significativo en el uso de la inteligencia artificial (IA) en la investigación sobre la resistencia a los antibióticos.

El informe, publicado el miércoles en la revista Cell, detalla los hallazgos de los científicos que usaron un algoritmo para explorar “toda la diversidad microbiana que tenemos en la Tierra —o una gran representación de ella— y encontrar casi 1 millón de nuevas moléculas codificadas u ocultas dentro de toda esa materia microbiana oscura”, dijo César de la Fuente, autor del estudio y profesor en la Universidad de Pensilvania. De la Fuente dirige el Grupo de Biología Computacional, que tiene como objetivo utilizar computadoras para acelerar los descubrimientos en biología y medicina.

Sin tal algoritmo, según de la Fuente, los científicos habrían tenido que utilizar métodos tradicionales como la recolección de agua y suelo para encontrar moléculas dentro de esas muestras, un proceso que puede ser desafiante porque los microbios están en todas partes, desde el océano hasta el intestino humano.

“Hubiera tomado muchos, muchos, muchos años hacer eso, pero con un algoritmo, podemos clasificar grandes cantidades de información y simplemente acelerar el proceso”, comentó de la Fuente.

Los científicos usaron IA para analizar 6,680 compuestos, descubriendo finalmente nueve antibióticos potenciales, incluido el abaucin.

El estudio es urgente para la salud pública, dijo el autor, ya que la resistencia a los antimicrobianos causó más de 1.2 millones de muertes en 2019. Ese número podría aumentar a 10 millones de muertes anuales para 2050, según la Organización Mundial de la Salud (OMS).

Aunque de la Fuente considera que el estudio, que produjo “el mayor esfuerzo de descubrimiento de antibióticos jamás realizado”, es un momento decisivo en los beneficios potenciales de la inteligencia artificial para la investigación, reconoció que actores malintencionados podrían potencialmente “desarrollar modelos de IA para diseñar toxinas”.

Dijo que su laboratorio ha implementado medidas de seguridad para almacenar y garantizar que las moléculas no puedan autorreplicarse. Cabe destacar que no se requerían salvaguardias de bioseguridad para este estudio porque estas eran “moléculas inertes”.

Aunque la inteligencia artificial se ha convertido en un tema candente en los últimos años, de la Fuente dijo que comenzó a usar IA en la investigación de antibióticos hace aproximadamente una década.

“Hemos podido simplemente acelerar el descubrimiento de antibióticos”, dijo de la Fuente. “Así que, en lugar de tener que esperar cinco o seis años para obtener un candidato, ahora, en la computadora, podemos, en solo unas pocas horas, obtener cientos de miles de candidatos”.

Antes de que la Administración de Alimentos y Medicamentos de EE.UU. apruebe un antibiótico, normalmente pasa por años de estudio a través de la investigación de laboratorio y ensayos clínicos. Estas diversas etapas pueden tardar entre 10 y 20 años.

Para este estudio, los investigadores recolectaron genomas y metagenomas almacenados en bases de datos públicas y buscaron fragmentos de ADN que pudieran tener actividad antimicrobiana. Para validar esas predicciones, usaron química para sintetizar 100 de esas moléculas en el laboratorio y luego probarlas para determinar si realmente podían matar bacterias, incluidas “algunas de las patógenos más peligrosos de nuestra sociedad”, dijo de la Fuente.

El 79% de las moléculas, que eran representativas del millón de moléculas descubiertas, podían matar al menos un microbio, lo que significa que podrían servir como potenciales antibióticos.

La resistencia a los antibióticos es una preocupación creciente debido al uso indebido y excesivo de antimicrobianos en humanos, animales y plantas, según la OMS.

Los autores del estudio han puesto estos datos y el código a disposición de cualquiera con el objetivo de “avanzar en la ciencia y beneficiar a la humanidad”, dijo de la Fuente.

Espera que su equipo y otros investigadores realicen investigaciones adicionales sobre los principales candidatos para potenciales medicamentos antibióticos. “Si eso va bien, se pasará a la fase uno de ensayos clínicos, pero todavía estamos lejos de eso”, añadió.

Este no es el primer estudio en biología que ha hecho un uso significativo de la IA. Google DeepMind lanzó recientemente la última versión de AlphaFold, un programa que predice cómo las proteínas interactuarán con otras moléculas e iones, lo que podría producir avances en campos tan variados como la terapia contra el cáncer y la resiliencia de los cultivos.

Lisa Messeri, antropóloga de tecnología en la Universidad de Yale, dijo que el aprendizaje automático y la IA son “ciertamente excelentes para algunos proyectos en ciencia”, pero no para todos.

“Simplemente pedimos que los investigadores y los programas de investigación continúen siendo reflexivos sobre cuándo eligen aplicar estos métodos y no limiten proyectos que no necesariamente requieren el uso de estas herramientas tan publicitadas y enfocadas”, dijo.

Algunos han expresado preocupaciones sobre la IA, incluido que podría reemplazar a los humanos en ciertos trabajos, específicamente en la realización de investigaciones científicas.

De la Fuente argumenta que la IA implicará una colaboración entre humanos y máquinas.

Anthony Gitter, profesor asociado de bioestadística e informática médica en la Universidad de Wisconsin-Madison que utiliza el aprendizaje automático en experimentos biológicos, dijo que la “importancia del avance” en el artículo de Cell “se debió a la investigación de bioinformática de primer nivel, en lugar de la ciencia automatizada habilitada por la IA”.

“La importancia de esta investigación es que aprovecha con éxito los datos genómicos microbianos generalizados, utiliza el aprendizaje automático para identificar péptidos antimicrobianos candidatos y estudia extensamente esos péptidos predichos tanto computacionalmente como experimentalmente para mostrar por qué son valiosos”, dijo Gitter.