John Jumper (DeepMind): ¡°El desarrollo de medicamentos est¨¢ frenado, en gran parte, porque no entendemos c¨®mo funciona la vida¡±

La inteligencia artificial (IA) est¨¢ en el punto de mira. Capaz de lo mejor y lo peor, sus propios impulsores est¨¢n ahora dando la voz de alarma sobre las extraordinarias amenazas que entra?a para la humanidad. Algunos, incluso han pedido pausar la investigaci¨®n en IA un tiempo. Pero la rueda sigue girando y no siempre para mal: en biolog¨ªa, la IA ha resuelto uno de los mayores enigmas al predecir la estructura de todas las prote¨ªnas conocidas, un hallazgo que ha revolucionado la investigaci¨®n biom¨¦dica.

El cient¨ªfico John Michael Jumper (Little Rock, Arkansas, EEUU, 38 a?os), investigador de DeepMind, la compa?¨ªa de desarrollo de sistemas de IA propiedad de Google, es uno de los art¨ªfices de este descubrimiento. ¡°Hay que tomar en serio los riesgos y tener responsabilidad¡±, admite sobre la pol¨¦mica alrededor de estas tecnolog¨ªas. Discreto, no abunda mucho m¨¢s, aunque el CEO de su empresa, Demis Hassabis, ha firmado alguno de los manifiestos de alerta. Ambos cient¨ªficos han sido galardonados, junto al investigador de la Universidad de Washington, David Baker, con el premio Fronteras del Conocimiento en Biomedicina, que otorga la Fundaci¨®n BBVA, por su contribuci¨®n al estudio de las prote¨ªnas con IA, un avance esencial para entender enfermedades y buscar nuevos f¨¢rmacos.

En el ADN est¨¢n las instrucciones de la vida. Esto es, las directrices para fabricar las prote¨ªnas, que son las m¨¢quinas de las c¨¦lulas, las responsables de poner en marcha cualquier funci¨®n biol¨®gica: desde comer o respirar, hasta mover un brazo o pensar. Pero para descubrir el rol de cada prote¨ªna no basta con conocer la secuencia de ADN que la crea, sino que es necesario saber c¨®mo se pliega y se retuerce: esa forma es clave para explicar c¨®mo act¨²a. Pero no ha sido un camino f¨¢cil para la comunidad cient¨ªfica identificar estas figuras tridimensionales: con los m¨¦todos tradicionales y 60 a?os de investigaci¨®n, apenas se conoc¨ªa la estructura de unas 200.000. Sin embargo, esa base de datos inicial ha servido de material para el aprendizaje de los sistemas computacionales de Baker (RoseTTAFold) y de los investigadores de DeepMind (Alphafold), que han logrado dar un salto en el tiempo: a trav¨¦s de estos modelos de aprendizaje profundo, han logrado predecir la estructura de 200 millones de prote¨ªnas.

Jumper atiende a EL PA?S en la sede de la Fundaci¨®n BBVA en Bilbao, donde el martes recibi¨® el galard¨®n. Asegura que las posibilidades que abre su investigaci¨®n son enormes, m¨¢s de las que podr¨ªa haber imaginado al principio, admite.

Pregunta. En 60 a?os se logr¨® determinar la estructura de 200.000 prote¨ªnas. Ustedes, en pocos a?os, han llegado a resolver la estructura de 200 millones, casi todas las conocidas. ?Qu¨¦ significa esto?

Respuesta. Si quieres entender c¨®mo funciona una prote¨ªna o si quieres entender c¨®mo no funciona, tienes que entender su estructura. Ha sido un reto enorme dentro de la comunidad cient¨ªfica, Cuando empezamos el proyecto, se conoc¨ªan 150.000 estructuras de prote¨ªnas y es muy dif¨ªcil: en t¨¦rminos econ¨®micos, cuesta 100.000 d¨®lares entender la estructura de una ¨²nica prote¨ªna; en t¨¦rminos temporales, quiz¨¢s es un a?o o m¨¢s de un estudiante de doctorado. Hab¨ªa mucho trabajo biol¨®gico que quer¨ªamos acortar desarrollando Alphafold, que predice estructuras de prote¨ªnas en segundos, en minutos. Quitamos ese cuello de botella para que la investigaci¨®n cient¨ªfica fuera mucho m¨¢s r¨¢pido.

P. Ay¨²deme a aterrizar el hallazgo para el p¨²blico que no sabe nada de biolog¨ªa ni de inteligencia artificial. ?C¨®mo es posible? ?Es como una m¨¢quina que aprende muy muy r¨¢pido, como un cerebro?

R. Hay algunas similitudes y diferencias en c¨®mo se hacen estos sistemas de machine learning [aprendizaje autom¨¢tico] e IA y c¨®mo lo aprendemos nosotros. Cuando aprendes en la escuela, se te plantea un trabajo, lo haces, escribes la respuesta y el profesor la corrige o compruebas tu trabajo con una respuesta ya dada. Y si es correcto, te sientes bien; si te equivocas, intentas buscar qu¨¦ hubieras hecho diferente. Cuando aprendemos, cometemos muchos errores, corregimos y tratamos de mejorar y quiz¨¢s hay un proceso similar en c¨®mo desarrollamos Alphafold, porque es un sistema que en segundos puede predecir una estructura de una prote¨ªna: tenemos 200.000 estructuras determinadas experimentalmente, respuestas correctas si quieres, y tenemos Alphafold, que cuando lo arrancamos sin saber nada, produce respuestas equivocadas; pero luego cambiamos un poco el sistema mediante un algoritmo para ser un poco m¨¢s preciso y acercarse a la respuesta correcta. Y luego vamos a la siguiente prote¨ªna, obtenemos la respuesta equivocada y lo mejoramos. Es un proceso continuo, cambi¨¢ndolo lentamente para ser m¨¢s correcto en un amplio abanico de problemas. La esperanza es que si construyes un sistema que tiene alta precisi¨®n en todos los problemas con respuestas conocidas, quiz¨¢s haya alta precisi¨®n para problemas donde no conoces la respuesta. Haces pruebas y lo mejoras, hay muchas innovaciones. Se trata de equivocarse y corregir los errores hasta obtener un buen sistema.

P. El jurado de los premios ha dicho que su avance est¨¢ revolucionando el conocimiento. ?Por qu¨¦ cree que su investigaci¨®n es revolucionaria? ?Es porque se gana tiempo en procesos de investigaci¨®n biol¨®gica?

R. Hay dos respuestas a por qu¨¦ Alphafold es revolucionario. Una respuesta es que ya hemos visto a cient¨ªficos utilizar esta tecnolog¨ªa para hacer cosas incre¨ªbles, mucho m¨¢s all¨¢ de mis expectativas de cu¨¢nto cambiar¨ªa la biolog¨ªa y la investigaci¨®n. Estamos viendo una innovaci¨®n enorme. Pero una respuesta m¨¢s amplia es que hemos visto en la f¨ªsica a principios del siglo XX c¨®mo las herramientas matem¨¢ticas computacionales nos ayudan a entender este mundo complejo con la matem¨¢tica y las ecuaciones correctas, por ejemplo, para desarrollar el transistor, que es la base de los ordenadores modernos. Este progreso enorme nos ha facilitado hacer predicciones computacionales o matem¨¢ticas, pero en biolog¨ªa es tan complejo que no podemos esperar a hacerlo con ecuaciones simples y no estaba claro qu¨¦ herramientas computacionales ser¨ªan las correctas y si podr¨ªamos predecir muchos experimentos sin tener que realizarlos. Y Alphafold es un ejemplo de que nos acercamos a esta ¨¦poca donde podemos predecir muchos experimentos biol¨®gicos. Es la clave para la revoluci¨®n m¨¢s amplia para entender la c¨¦lula. Este no es el final de la historia, quiz¨¢s es el principio para entender que el machine learning y la IA pueden ser la herramienta para solucionar estos problemas.

P. ?Cu¨¢l es el siguiente paso?

R. Para nosotros hay dos: uno es que Alphafold es un sistema incre¨ªble dentro de un dominio concreto y queremos expandirlo y predecir m¨¢s cosas. Queremos pensar qu¨¦ otros problemas biol¨®gicos se pueden abordar con machine learning. Para m¨ª y mi equipo, se trata de qu¨¦ nuevos problemas podemos solucionar, cosas que parecen posibles ahora y que no lo parec¨ªan antes. Estoy pensando en c¨®mo se mueven las prote¨ªnas, en c¨®mo funcionan o no funcionan debido a cambios gen¨¦ticos que pueden ocurrir naturalmente. Son este tipo de preguntas: hasta d¨®nde podemos ir en este reto de entender la c¨¦lula. Creo que se trata de encontrar y estudiar este nuevo mundo que se nos ha abierto.

P. En una entrevista a la Fundaci¨®n BBVA dijo que Alphafold es un ¡°ejemplo poderoso de c¨®mo el aprendizaje profundo puede captar la complejidad de los sistemas biol¨®gicos¡±. ?Hasta d¨®nde pueden llegar? ?Son como nuestro cerebro?

R. Quiz¨¢s haya dos respuestas aqu¨ª: una es decir que hemos mostrado que podemos captar la complejidad de los sistemas biol¨®gicos, pero en un dominio limitado: en las estructuras de las prote¨ªnas, hay muchas preguntas que no responde. Lo que creo que es interesante, una parte muy emocionante de Alphafold, si pensamos en una analog¨ªa con el cerebro humano y todo el razonamiento que realizamos, es que, sin embargo, no hay humanos que sean buenos prediciendo la estructura de prote¨ªnas por s¨ª mismos, no es una tarea humana, a diferencia de muchos desarrollos de IA, reconocimiento de im¨¢genes o de textos. Es incre¨ªble c¨®mo estas m¨¢quinas pueden captar lo que hacen los humanos, pero este es un ejemplo de c¨®mo progresar en ciencia en lo que los humanos tienen que hacer mediante la experimentaci¨®n. Es emocionante estar trabajando en IA en estos problemas cient¨ªficos tan dif¨ªciles.

P. ?Qu¨¦ puede hacer Alphafold por nosotros? ?Se pueden crear prote¨ªnas para hacer desaparecer enfermedades, como el c¨¢ncer?

R. Voy a dar dos ejemplos, y primero voy a hablar de la vacuna [contra la malaria] porque creo que es muy tangible. A corto plazo, Matt Higgins, de Oxford, quer¨ªa realizar una vacuna que mostrase parte de este pat¨®geno para que el cuerpo aprenda a reconocerlo, pero no sab¨ªa qu¨¦ parte de esta proteina deb¨ªa usar y necesitaba una imagen de la estructura [para decidir]. Alphafold le dio esa imagen, le permiti¨® elegir qu¨¦ parte usar para la vacuna. Otro ejemplo emocionante a medio plazo es que est¨¢n trabajando en una gran jeringuilla molecular: un gran reto en el desarrollo de mediciamentos es que a veces la medicina es la propia prote¨ªna y tiene su propia funci¨®n, pero ?c¨®mo se lleva directamente al c¨¢ncer donde se necesita? [Investigadores del MIT] estaban intentando reutilizar sistemas de bacterias que inyecta prote¨ªnas a otras c¨¦lulas y lo que necesitaban era entender los detalles de este mecanismo. Con Alphafold encontraron c¨®mo cambiar la prote¨ªna para encontrar la entrada a las c¨¦lulas y ahora tiene algo que quiz¨¢ pueda ir contra las c¨¦lulas del c¨¢ncer. Creo que, en el futuro, habr¨¢ enfermedades muy complejas, como el alzh¨¦imer u otras, que no entendemos muy bien, y cuando sepamos c¨®mo realizar un medicamento para esa enfermedad, lo haremos. El desarrollo de medicamentos est¨¢ frenado, en gran parte, porque no entendemos c¨®mo funciona el cuerpo, c¨®mo funciona la vida. Necesitamos investigaci¨®n biol¨®gica para entenderlo. Nuestro conocimiento es demasiado limitado para entender c¨®mo hacerlo y Alphafold es un paso adelante en este sentido.

P. La biolog¨ªa tiene un punto de azar. ?Cu¨¢les son los l¨ªmites de estos sistemas?

R. En t¨¦rminos de limitaciones, el sistema no es tan preciso como las estructuras experimentales de precisi¨®n m¨¢s altas que se obtienen mediante m¨¦todos experimentales. Son t¨¦cnicas complementarias. La experimentaci¨®n va m¨¢s r¨¢pido gracias a Alphafold, pero la mayor limitacion es que estamos trabajando con un problema dentro de la biolog¨ªa m¨¢s amplia. No todo en medicina se trata de predecir estructuras de prote¨ªnas, queda mucho por hacer. Y creo que es un momento interesante, pero no creo que est¨¦ todo hecho.

Hay que tomar en serio los riesgos de la IA y tener responsabilidad¡±

P. Su investigaci¨®n es el ejemplo de todo lo bueno que puede llegar a hacer la inteligencia artificial por la humanidad, pero hay muchas voces ahora alertando de sus riesgos. Por ejemplo, Geoffrey Hinton ¡ªtambi¨¦n galardonado con el Premio Fronteras en otra edici¨®n¡ª, que dej¨® Google para alertar de los peligros de la inteligencia artificial. ?Qu¨¦ opina? ?Son razonables estas voces de alarma?

R. En DeepMind, como organizaci¨®n, siempre pensamos mucho en el uso responsable de nuestra tecnolog¨ªa. Pensamos antes de actuar en qu¨¦ es lo correcto. Puedo hablar m¨¢s del caso de Alphafold: cuando pensamos c¨®mo liberar Alphafold, quer¨ªamos hacerlo de una manera responsable y hablamos con 30 expertos en bioseguridad, los posibles riesgos y beneficios, diferentes maneras para hacer Alphafold disponible para el mundo y escogimos el c¨®digo abierto. Creemos que es muy importante pensar en los riesgos a corto y a largo plazo y es algo que DeepMind siempre ha hecho y continuar¨¢ haciendo y esto es cada vez m¨¢s importante cuando estas tecnolog¨ªas son cada vez m¨¢s potentes. DeepMind piensa mucho en la responsabilidad y no quiere simplemente liberar tecnolog¨ªa y ver qu¨¦ pasa, sino tener responsabilidad al hacerlo.

P. ?Por qu¨¦ los impulsores de la inteligencia artificial, entre ellos su compa?ero Demis Hassabis, firman ahora manifiestos apocal¨ªpticos? ?C¨®mo de realistas son estos riesgos de la inteligencia artificial para la humanidad?

R. No estoy muy seguro de qu¨¦ respuesta busca aqu¨ª, pero la parte importante es pensar sobre los riesgos: creo que hay que tomarlos en serio y tener responsabilidad. Opino que los expertos s¨ª est¨¢n pensando en esto y quieren tener un enfoque responsable en cuanto a su despliegue, pero soy m¨¢s experto en contextos biol¨®gicos y mi experiencia ha sido que hay que hacerlo bien, entender las posibilidades y pensar en todo el rango de riesgos, desde los m¨¢s cercanos o c¨®mo puede cambiar la sociedad, hasta c¨®mo puede cambiar las cosas a largo plazo.

Puedes seguir a MATERIA en Facebook, Twitter e Instagram, o apuntarte aqu¨ª para recibir nuestra newsletter semanal.