Una IA detecta un posible antibiótico, aún sin probar en laboratorio

Millones de secuencias de proteínas de la mayor base de datos pública de proteínas del mundo no tienen función conocida. El equipo de Google DeepMind se adentró en ese vacío y encontró un candidato que podría combatir las infecciones respiratorias. El candidato es un péptido antimicrobiano predicho, una proteína corta del tipo que las bacterias producen de forma natural para eliminar a sus rivales. Fue hallado en Streptococcus pseudopneumoniae, una bacteria de la misma familia que el neumococo.

La magnitud del problema viene dada por la escala de las resistencias. Los autores estiman que la resistencia a los antimicrobianos podría causar 10 millones de muertes al año en el mundo en 2050. Los péptidos resultan atractivos porque, como señalan los autores, han evolucionado para atacar estructuras bacterianas básicas, desde las envolturas celulares hasta la maquinaria interna esencial, lo que hace más difícil desarrollar resistencias. Algunos ya se usan: la nisina, una bacteriocina empleada en todo el mundo, es el ejemplo más conocido. Descubrimientos recientes obtenidos mediante minería genómica, como la darobactina, la dinobactina y la lariocidina, muestran que el repertorio no se ha agotado.

El obstáculo es la información. Gran parte de los datos de secuencias generados por los proyectos de secuenciación genómica se ha depositado en UniProt, el recurso de referencia para secuencias y funciones de proteínas, sin ninguna anotación. Los autores describen estas entradas como la «materia oscura» de las bases de datos de proteínas. Su herramienta, ProtNLM (Protein Natural Language Model), es un modelo de aprendizaje profundo entrenado para leer la «gramática» evolutiva de las secuencias de aminoácidos y predecir la función de una proteína directamente a partir de su secuencia, sin necesidad de un pariente cercano ya conocido. Google afirma que el modelo ha añadido etiquetas funcionales de alta confianza a millones de entradas de UniProt anteriormente sin nombre.

En el flujo de trabajo descrito por el equipo, el investigador dirige la búsqueda y el agente se encarga del trabajo entre bases de datos. El agente recupera estructuras de la AlphaFold Database, y el científico las examina en un visor 3D integrado en Antigravity, donde marcar una región de una proteína puede llevar al agente a razonar sobre ese punto exacto. Google presenta el candidato como «biológicamente plausible» y respaldado por pruebas estructurales y genómicas, pero aún no demostrado. Su actividad predicha no se ha medido en el laboratorio.

Para los equipos de microbiología, el cambio inmediato está en la primera fase de la búsqueda: menos semanas dedicadas a comparar bases de datos y más candidatos cribados por sesión. Para los pacientes, el beneficio sigue siendo lejano y el camino es largo. Los autores no dan fecha para los resultados de laboratorio, y ningún candidato de este flujo de trabajo ha demostrado todavía eficacia contra bacterias, y menos aún en personas. El próximo hito público será la validación en laboratorio de este péptido.