John Jumper (DeepMind): “El desarrollo de medicamentos está frenado, en gran parte, porque no entendemos cómo funciona la vida”

La inteligencia artificial (IA) está en el punto de mira. Capaz de lo mejor y lo peor, sus propios impulsores están ahora dando la voz de alarma sobre las extraordinarias amenazas que entraña para la humanidad. Algunos, incluso han pedido pausar la investigación en IA un tiempo. Pero la rueda sigue girando y no siempre pa...

La inteligencia artificial (IA) está en el punto de mira. Capaz de lo mejor y lo peor, sus propios impulsores están ahora dando la voz de alarma sobre las extraordinarias amenazas que entraña para la humanidad. Algunos, incluso han pedido pausar la investigación en IA un tiempo. Pero la rueda sigue girando y no siempre para mal: en biología, la IA ha resuelto uno de los mayores enigmas al predecir la estructura de todas las proteínas conocidas, un hallazgo que ha revolucionado la investigación biomédica.

El científico John Michael Jumper (Little Rock, Arkansas, EEUU, 38 años), investigador de DeepMind, la compañía de desarrollo de sistemas de IA propiedad de Google, es uno de los artífices de este descubrimiento. “Hay que tomar en serio los riesgos y tener responsabilidad”, admite sobre la polémica alrededor de estas tecnologías. Discreto, no abunda mucho más, aunque el CEO de su empresa, Demis Hassabis, ha firmado alguno de los manifiestos de alerta. Ambos científicos han sido galardonados, junto al investigador de la Universidad de Washington, David Baker, con el premio Fronteras del Conocimiento en Biomedicina, que otorga la Fundación BBVA, por su contribución al estudio de las proteínas con IA, un avance esencial para entender enfermedades y buscar nuevos fármacos.

En el ADN están las instrucciones de la vida. Esto es, las directrices para fabricar las proteínas, que son las máquinas de las células, las responsables de poner en marcha cualquier función biológica: desde comer o respirar, hasta mover un brazo o pensar. Pero para descubrir el rol de cada proteína no basta con conocer la secuencia de ADN que la crea, sino que es necesario saber cómo se pliega y se retuerce: esa forma es clave para explicar cómo actúa. Pero no ha sido un camino fácil para la comunidad científica identificar estas figuras tridimensionales: con los métodos tradicionales y 60 años de investigación, apenas se conocía 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 través de estos modelos de aprendizaje profundo, han logrado predecir la estructura de 200 millones de proteínas.

Jumper atiende a EL PAÍS en la sede de la Fundación BBVA en Bilbao, donde el martes recibió el galardón. Asegura que las posibilidades que abre su investigación son enormes, más de las que podría haber imaginado al principio, admite.

Pregunta. En 60 años se logró determinar la estructura de 200.000 proteínas. Ustedes, en pocos años, han llegado a resolver la estructura de 200 millones, casi todas las conocidas. ¿Qué significa esto?

Respuesta. Si quieres entender cómo funciona una proteína o si quieres entender cómo no funciona, tienes que entender su estructura. Ha sido un reto enorme dentro de la comunidad científica, Cuando empezamos el proyecto, se conocían 150.000 estructuras de proteínas y es muy difícil: en términos económicos, cuesta 100.000 dólares entender la estructura de una única proteína; en términos temporales, quizás es un año o más de un estudiante de doctorado. Había mucho trabajo biológico que queríamos acortar desarrollando Alphafold, que predice estructuras de proteínas en segundos, en minutos. Quitamos ese cuello de botella para que la investigación científica fuera mucho más rápido.

P. Ayúdeme a aterrizar el hallazgo para el público que no sabe nada de biología ni de inteligencia artificial. ¿Cómo es posible? ¿Es como una máquina que aprende muy muy rápido, como un cerebro?

R. Hay algunas similitudes y diferencias en cómo se hacen estos sistemas de machine learning [aprendizaje automático] e IA y cómo 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 qué hubieras hecho diferente. Cuando aprendemos, cometemos muchos errores, corregimos y tratamos de mejorar y quizás hay un proceso similar en cómo desarrollamos Alphafold, porque es un sistema que en segundos puede predecir una estructura de una proteína: 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 más preciso y acercarse a la respuesta correcta. Y luego vamos a la siguiente proteína, obtenemos la respuesta equivocada y lo mejoramos. Es un proceso continuo, cambiándolo lentamente para ser más correcto en un amplio abanico de problemas. La esperanza es que si construyes un sistema que tiene alta precisión en todos los problemas con respuestas conocidas, quizás haya alta precisión 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 está revolucionando el conocimiento. ¿Por qué cree que su investigación es revolucionaria? ¿Es porque se gana tiempo en procesos de investigación biológica?

R. Hay dos respuestas a por qué Alphafold es revolucionario. Una respuesta es que ya hemos visto a científicos utilizar esta tecnología para hacer cosas increíbles, mucho más allá de mis expectativas de cuánto cambiaría la biología y la investigación. Estamos viendo una innovación enorme. Pero una respuesta más amplia es que hemos visto en la física a principios del siglo XX cómo las herramientas matemáticas computacionales nos ayudan a entender este mundo complejo con la matemática 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 matemáticas, pero en biología es tan complejo que no podemos esperar a hacerlo con ecuaciones simples y no estaba claro qué herramientas computacionales serían las correctas y si podríamos predecir muchos experimentos sin tener que realizarlos. Y Alphafold es un ejemplo de que nos acercamos a esta época donde podemos predecir muchos experimentos biológicos. Es la clave para la revolución más amplia para entender la célula. Este no es el final de la historia, quizás es el principio para entender que el machine learning y la IA pueden ser la herramienta para solucionar estos problemas.

P. ¿Cuál es el siguiente paso?

R. Para nosotros hay dos: uno es que Alphafold es un sistema increíble dentro de un dominio concreto y queremos expandirlo y predecir más cosas. Queremos pensar qué otros problemas biológicos se pueden abordar con machine learning. Para mí y mi equipo, se trata de qué nuevos problemas podemos solucionar, cosas que parecen posibles ahora y que no lo parecían antes. Estoy pensando en cómo se mueven las proteínas, en cómo funcionan o no funcionan debido a cambios genéticos que pueden ocurrir naturalmente. Son este tipo de preguntas: hasta dónde podemos ir en este reto de entender la célula. Creo que se trata de encontrar y estudiar este nuevo mundo que se nos ha abierto.

P. En una entrevista a la Fundación BBVA dijo que Alphafold es un “ejemplo poderoso de cómo el aprendizaje profundo puede captar la complejidad de los sistemas biológicos”. ¿Hasta dónde pueden llegar? ¿Son como nuestro cerebro?

R. Quizás haya dos respuestas aquí: una es decir que hemos mostrado que podemos captar la complejidad de los sistemas biológicos, pero en un dominio limitado: en las estructuras de las proteínas, hay muchas preguntas que no responde. Lo que creo que es interesante, una parte muy emocionante de Alphafold, si pensamos en una analogía con el cerebro humano y todo el razonamiento que realizamos, es que, sin embargo, no hay humanos que sean buenos prediciendo la estructura de proteínas por sí mismos, no es una tarea humana, a diferencia de muchos desarrollos de IA, reconocimiento de imágenes o de textos. Es increíble cómo estas máquinas pueden captar lo que hacen los humanos, pero este es un ejemplo de cómo progresar en ciencia en lo que los humanos tienen que hacer mediante la experimentación. Es emocionante estar trabajando en IA en estos problemas científicos tan difíciles.

P. ¿Qué puede hacer Alphafold por nosotros? ¿Se pueden crear proteínas para hacer desaparecer enfermedades, como el cáncer?

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, quería realizar una vacuna que mostrase parte de este patógeno para que el cuerpo aprenda a reconocerlo, pero no sabía qué parte de esta proteina debía usar y necesitaba una imagen de la estructura [para decidir]. Alphafold le dio esa imagen, le permitió elegir qué parte usar para la vacuna. Otro ejemplo emocionante a medio plazo es que están trabajando en una gran jeringuilla molecular: un gran reto en el desarrollo de mediciamentos es que a veces la medicina es la propia proteína y tiene su propia función, pero ¿cómo se lleva directamente al cáncer donde se necesita? [Investigadores del MIT] estaban intentando reutilizar sistemas de bacterias que inyecta proteínas a otras células y lo que necesitaban era entender los detalles de este mecanismo. Con Alphafold encontraron cómo cambiar la proteína para encontrar la entrada a las células y ahora tiene algo que quizá pueda ir contra las células del cáncer. Creo que, en el futuro, habrá enfermedades muy complejas, como el alzhéimer u otras, que no entendemos muy bien, y cuando sepamos cómo realizar un medicamento para esa enfermedad, lo haremos. El desarrollo de medicamentos está frenado, en gran parte, porque no entendemos cómo funciona el cuerpo, cómo funciona la vida. Necesitamos investigación biológica para entenderlo. Nuestro conocimiento es demasiado limitado para entender cómo hacerlo y Alphafold es un paso adelante en este sentido.

P. La biología tiene un punto de azar. ¿Cuáles son los límites de estos sistemas?

R. En términos de limitaciones, el sistema no es tan preciso como las estructuras experimentales de precisión más altas que se obtienen mediante métodos experimentales. Son técnicas complementarias. La experimentación va más rápido gracias a Alphafold, pero la mayor limitacion es que estamos trabajando con un problema dentro de la biología más amplia. No todo en medicina se trata de predecir estructuras de proteínas, queda mucho por hacer. Y creo que es un momento interesante, pero no creo que esté todo hecho.

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

P. Su investigación 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 —también galardonado con el Premio Fronteras en otra edición—, que dejó Google para alertar de los peligros de la inteligencia artificial. ¿Qué opina? ¿Son razonables estas voces de alarma?

R. En DeepMind, como organización, siempre pensamos mucho en el uso responsable de nuestra tecnología. Pensamos antes de actuar en qué es lo correcto. Puedo hablar más del caso de Alphafold: cuando pensamos cómo liberar Alphafold, queríamos 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 código 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 continuará haciendo y esto es cada vez más importante cuando estas tecnologías son cada vez más potentes. DeepMind piensa mucho en la responsabilidad y no quiere simplemente liberar tecnología y ver qué pasa, sino tener responsabilidad al hacerlo.

P. ¿Por qué los impulsores de la inteligencia artificial, entre ellos su compañero Demis Hassabis, firman ahora manifiestos apocalípticos? ¿Cómo de realistas son estos riesgos de la inteligencia artificial para la humanidad?

R. No estoy muy seguro de qué respuesta busca aquí, pero la parte importante es pensar sobre los riesgos: creo que hay que tomarlos en serio y tener responsabilidad. Opino que los expertos sí están pensando en esto y quieren tener un enfoque responsable en cuanto a su despliegue, pero soy más experto en contextos biológicos y mi experiencia ha sido que hay que hacerlo bien, entender las posibilidades y pensar en todo el rango de riesgos, desde los más cercanos o cómo puede cambiar la sociedad, hasta cómo puede cambiar las cosas a largo plazo.

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