Google DeepMind lanza un agente de IA para buscar péptidos antimicrobianos entre millones de proteínas

El 15 de octubre, Google DeepMind publicó una demostración técnica en la que un agente de IA recorre todo el camino desde millones de secuencias de proteínas hasta una lista de candidatos a péptidos antimicrobianos listos para su verificación experimental. Lo informó el medio Jiqizhixin. Se trata de una demostración del enfoque, no de un informe de ensayos clínicos. Aun así, la elección de la tarea indica hacia dónde empuja DeepMind los sistemas agénticos: de las interfaces de chat a un pipeline científico que termina en tubos de ensayo reales.

El problema: hay datos, pero faltan anotaciones

La resistencia de las bacterias a los antibióticos crece, y la búsqueda de nuevas moléculas antimicrobianas sigue siendo lenta y costosa. Mientras tanto, la humanidad ya ha acumulado enormes bases de datos de secuencias de proteínas. El problema es que se desconoce la función de una parte considerable de esas proteínas. Entre ellas bien pueden existir moléculas con actividad antimicrobiana, pero las anotaciones actuales no permiten encontrarlas. La búsqueda clásica por homología se basa en la similitud con proteínas ya conocidas, y una nueva clase de péptidos puede no parecerse a nada familiar.

DeepMind ha elegido precisamente este conjunto «oscuro» como terreno para su agente: hay que descartar millones de secuencias y quedarse con un pequeño número de las que merece la pena sintetizar y probar.

Qué se sabe del proyecto

Según el fragmento disponible de la publicación, el panorama es este:

• Entrada: millones de secuencias de proteínas, incluidas algunas de función poco clara.
• Ejecutor: un agente de IA que lleva a cabo la búsqueda y la selección como un proceso de varios pasos.
• Salida: candidatos experimentales a péptidos antimicrobianos.
• Formato: una demostración técnica del 15 de octubre, no un artículo revisado por pares.
• No se revela en el texto disponible: la arquitectura del agente, los modelos utilizados, el tamaño de la lista final ni la proporción de candidatos confirmados en el laboratorio.

El último punto es el más importante. Sin cifras sobre la verificación en laboratorio, no se puede evaluar el valor práctico del método. Los pipelines computacionales suelen generar listas vistosas con facilidad. La dificultad empieza cuando los péptidos se sintetizan y se prueban en cultivos vivos.

Dónde fallan este tipo de proyectos

Los péptidos antimicrobianos tienen trampas habituales. Una molécula puede matar bacterias en un tubo de ensayo y, al mismo tiempo, dañar células humanas. Puede degradarse rápidamente en el organismo o funcionar mal en condiciones cercanas a las reales. Por eso la cadena «predecir, sintetizar, verificar» cuesta más de lo que parece en el esquema, y cada una de sus etapas descarta una parte significativa de los candidatos.

El enfoque agéntico puede resultar útil aquí por la automatización de las tareas rutinarias, más que por un único modelo acertado. Selección de rasgos, filtrado, consultas repetidas a herramientas, ranking: todo lo que antes exigía el trabajo manual de un bioinformático puede delegarse en un sistema que decide por sí mismo qué paso dar a continuación. Hasta que no se publiquen más detalles, no se sabrá lo bien que lo ha implementado DeepMind.

Qué vigilar a partir de ahora

Para los equipos de biotecnología y los ingenieros de ML conviene tener presente una breve lista de comprobación. Cuando aparezcan los datos completos, lo primero que hay que buscar es:

• la proporción de candidatos con actividad confirmada frente a cepas resistentes;
• datos de toxicidad para células humanas, incluida la hemólisis;
• la comparación con métodos de búsqueda de referencia, y no solo con una selección aleatoria;
• la reproducibilidad: si están abiertos el código, la lista de secuencias y los protocolos.

Si se cumplen estos puntos, DeepMind tendrá uno de los pocos ejemplos en los que un agente en la ciencia se mide no por una demostración, sino por el número de moléculas que funcionan. Si no, seguirá siendo una presentación cuidadosa de un método. Por ahora, lo más honesto es considerar la publicación como la propuesta de un enfoque cuyo balance lo dictará el laboratorio.