ProteinTalks aprendió de más de 38 millones de mediciones cómo reaccionan células de cáncer de mama ante distintos fármacos. La tecnología abre la posibilidad de explorar tratamientos en una representación virtual antes de decidir cuáles vale la pena llevar al laboratorio.
Probar es una parte inevitable del desarrollo de nuevos tratamientos contra el cáncer. Los investigadores necesitan saber qué sucede cuando una célula entra en contacto con un medicamento, cómo cambia su comportamiento y si una combinación puede funcionar mejor que otra. El problema aparece cuando el número de posibilidades crece: no todos los compuestos y combinaciones pueden someterse a experimentos físicos, porque hacerlo requiere tiempo, muestras, personal y recursos.
Investigadores de Westlake University plantearon una alternativa para reducir ese universo antes de entrar al laboratorio. Crearon ProteinTalks, un modelo de inteligencia artificial capaz de aprender cómo responde una célula ante diferentes medicamentos y utilizar ese conocimiento para anticipar qué podría ocurrir frente a otros que todavía no conoce.
La idea se acerca a lo que otras industrias llevan años haciendo mediante simulaciones digitales. Un ingeniero puede probar distintas características de una pieza dentro de una computadora antes de fabricarla; en biología, sin embargo, el reto es mucho mayor. Una célula contiene miles de componentes que interactúan entre sí y cuya actividad puede modificarse cuando aparece un medicamento. En lugar de programar todas esas relaciones manualmente, ProteinTalks utiliza aprendizaje profundo para descubrir patrones a partir de los resultados de experimentos reales.
Una célula construida con 38 millones de datos
Para entrenar el modelo, los investigadores trabajaron con 18 líneas celulares de cáncer de mama, 16 de ellas correspondientes al cáncer de mama triple negativo, una variante particularmente compleja porque carece de algunos de los receptores que permiten utilizar terapias dirigidas contra otros tipos de cáncer de mama.
Las células fueron expuestas a 63 medicamentos antitumorales aprobados por la FDA y a 59 combinaciones de fármacos. Después, el equipo observó los cambios producidos en miles de proteínas a las seis, 24 y 48 horas. El proceso generó más de 38 millones de mediciones que permitieron mostrarle al modelo no sólo cómo era una célula antes y después de recibir un compuesto, sino cómo evolucionaba su actividad molecular con el paso del tiempo.
ProteinTalks utilizó toda esa información para aprender la relación entre un medicamento y los cambios que éste puede provocar dentro de una célula. La verdadera prueba llegó cuando los científicos le presentaron 81 medicamentos que no habían formado parte del entrenamiento: el modelo alcanzó 88% de precisión al anticipar la respuesta celular.
Ese resultado abre una posibilidad interesante para la investigación farmacológica. Si una computadora puede estimar cómo reaccionará una célula ante diferentes compuestos, los científicos pueden utilizar esas predicciones como una primera selección y concentrar los experimentos físicos en las alternativas que muestran mejores señales. La IA no sustituye la prueba de laboratorio; ayuda a decidir cuáles vale la pena realizar.
De la computadora a pacientes reales
El siguiente paso fue comprobar si el modelo podía conservar utilidad fuera de las líneas celulares con las que había aprendido. Para ello, los investigadores recurrieron a biopsias tumorales de 501 pacientes con cáncer de mama triple negativo, tomadas antes de que recibieran quimioterapia, y analizaron miles de proteínas presentes en esas muestras.
El equipo pudo entonces contrastar las predicciones de ProteinTalks con las respuestas observadas después del tratamiento. Este punto es particularmente importante porque lleva la idea de una célula virtual más allá de un experimento puramente computacional: permite preguntar si los patrones que la IA aprendió en el laboratorio guardan relación con lo que ocurre en tumores humanos reales.
Eso no significa que ProteinTalks pueda decidir hoy qué medicamento debe recibir una persona. El sistema todavía necesita validaciones clínicas más amplias y no funciona como una herramienta a la que un oncólogo pueda entregar los datos de una biopsia para recibir una prescripción. Lo demostrado es más acotado, pero también relevante: una IA puede aprender parte de la respuesta molecular de una célula, anticipar su comportamiento frente a medicamentos desconocidos y contrastar después esas predicciones con información procedente de pacientes.
Probar más sin hacer más experimentos
La oportunidad detrás de esta tecnología está precisamente en lo que ocurre antes de una prueba física. El desarrollo de medicamentos enfrenta un espacio enorme de posibilidades formado por compuestos, combinaciones, tipos celulares y respuestas diferentes. Explorar todo mediante experimentos tradicionales resulta prácticamente imposible; una representación virtual capaz de descartar caminos poco prometedores podría ayudar a utilizar mejor los recursos disponibles.
Es también una muestra de cómo la inteligencia artificial empieza a adquirir un papel distinto al que hemos visto durante el auge de los modelos generativos. Aquí no se le pide producir un texto, una imagen o una respuesta, sino construir una representación de un sistema biológico y utilizarla para explorar qué podría suceder bajo condiciones que todavía no se han probado físicamente.
ProteinTalks todavía está lejos de reemplazar una prueba de laboratorio y mucho más lejos de decidir un tratamiento médico. Su aportación está en otro punto de la cadena: ofrecer a los investigadores una forma de explorar primero muchas posibilidades dentro de una computadora para elegir mejor cuáles merecen llegar al mundo real.
Si esa aproximación continúa avanzando, la inteligencia artificial podría cambiar una pregunta fundamental en el desarrollo de medicamentos. En lugar de comenzar por “¿qué podemos probar?”, el laboratorio podría empezar con una pregunta mucho más útil: “¿qué vale la pena probar primero?”
