Científicos de Amazon debaten en una reunión interna cómo la IA revolucionará la búsqueda de medicamentos, la genómica o las pruebas clínicas

Un grupo de científicos e ingenieros de Amazon se reunió la semana pasada para pensar a lo grande. Lo hicieron en una conferencia interna centrada en el aprendizaje automático o machine learning, un tipo de inteligencia artificial con mucho potencial que ya está transformando el negocio de Amazon y el de otras grandes tecnológicas.

Lo que fue distintivo en este cónclave sobre IA fue su foco y audacia al tratar las posibilidades que esta tecnología puede tener en el ámbito sanitario, como por ejemplo usar el aprendizaje automático para revolucionar campos como la investigación y búsqueda de nuevos medicamentos, las pruebas médicas, la genómica y otras áreas.

Insider ha tenido acceso a documentos que destacan qué asuntos se trataron en la reunión y qué desafíos se debatieron. En ellos se refleja la ambición de Amazon para superar a DeepMind, una firma de inteligencia artificial comprada por Google en 2014. Esto implica que Amazon centre sus apuestas en la ciencia médica, convirtiéndose en un agente clave de la industria en un futuro.

"La frontera entre el principal negocio de Amazon y AWS frente a la ciencia médica y sanitaria está cambiando", expuso el científico y arquitecto de soluciones de la firma Sergey Menis, según una transcripción de la reunión vista por este medio. "Cada vez estamos más especializados en el ámbito sanitario". Un portavoz de Amazon ha declinado hacer comentarios.

Menis ha desarrollado una nanopartícula con la que se apuntala una prometedora candidata a vacuna contra el VIH. Participó en esta conferencia interna de Amazon sobre aprendizaje automático junto al responsable del área médica de la multinacional tecnológica, Taha Kass-Hout.

Uno de los talleres que se enmarcaron en este evento se centró en cómo el aprendizaje automático puede ayudar a "la salud humana". Uno de los debates del panel se centraron en cómo esta tecnología puede ayudar en ámbitos como el biomolecular o los biosistemas "en el mundo real".

"En este taller, nos centramos en tres temas estratégicos en los que el aprendizaje automático tiene potencial para impactos específicos y continuados: la multiómica, la búsqueda de medicamentos, y los diagnósticos médicos", especifica uno de los documentos. La multiómica reúne datos de la genómica y otros ámbitos, como el estudio de los microbiomas humanos.

Kass-Hout compartió sus intereses en ámbitos como por ejemplo el secuenciado de datos de nueva generación en genómica, proteínas y pequeñas moléculas, lo que puede ayudar al hallazgo de nuevos medicamentos. En una publicación interna antes del evento, el ejecutivo animó a los empleados a compartir papers académicos de hasta 6 páginas para que fueran debatidos en el cónclave.

Esos artículos científicos tenían que estar relacionados con los siguientes temas:

• Modelos de secuenciado en genómica, transcriptómica, proteómica, incluyendo el aprendizaje de representación autosupervisada y aplicaciones de aprendizaje automático para el secuenciado de datos de nueva generación.
• Modelos de aprendizaje automático para secuenciado y gráficos de proteínas, medicamentos y enfermedades, incluyendo estructura de las proteínas, diseño de proteínas, y modelos generadores de proteínas y pequeñas moléculas.
• Métodos para el cribado de fármacos, como los gráficos para optimizar los resultados de búsqueda o mejorar las predicciones sobre sus posibles efectos adversos.
• Cuestiones relacionadas con el sesgo en la medicina personalizada y los datos genómicos.
• Estado del arte y mejoras en la ingeniería de software biométrico que use el aprendizaje automático como componente, así como herramientas bioinformáticas y el uso de AWS para la biología.
• Aprendizajes de modelos biológicos preentrenados e interpretación de sus hallazgos.
• Diseño de pruebas clínicas y su optimización.

"Un gemelo digital preciso de un ser humano y su entorno"

En otro de los debates, Menis profundizó en la manera en la que el aprendizaje automático podía impactar en la atención sanitaria. 

Cuando se le pidió que compartiera la parte "más emocionante" de Amazon, menis aludió a las líneas cada vez más difusas entre el negocio sanitario de la compañía y su área de investigación, poniendo de ejemplo las pruebas COVID de Amazon Diagnoctics o la herramienta de Amazon Genomics.

Investigadores del MIT descubren un potente antiobiótico gracias al aprendizaje automático

La inmunogenicidad —la capacidad de una sustancia para producir una respuesta inmunitaria— es un problema en el que Menis aconsejó centrarse, ya que es importante para las vacunas y las terapias proteicas.

El desarrollo terapéutico en el "mundo digital" es un área que permanece relativamente inexplorada, añadió. El mayor avance en aprendizaje automático y en terapias se producirá cuando se cree "un gemelo digital preciso de un ser humano y su entorno", destacó.

"Imaginen poner en marcha un enorme proceso de computación en AWS en lugar de un enorme examen clínico a nivel global. ¡Eso sería verdaderamente revolucionario!".

AlphaFold, "alucinación de proteínas" y más allá

Menis también mencionó AlphaFold, de DeepMind, varias veces, y animó a sus compañeros a trabajar para conseguir superar esta herramienta de la firma adquirida por Google.

AlphaFold es una IA desarrollada por DeepMind, un laboratorio de investigación adquirido por Alphabet, la matriz de Google, en 2014. Puede predecir y mapear con gran eficacia las estructuras de proteínas, lo que supone un importante paso para el desarrollo de nuevas medicinas. 

A principios de año, AlphaFold publicó una predicción de estructuras de unas 200 millones de proteinas, lo que según la firma supone cubrir "el universo proteíco al completo". Anunciaba así el comienzo de una "nueva era de la biología digital".

Menis auguró que la próxima tendencia será la "alucinación de proteínas", en la que modelos de IA llenarán los huecos en blanco de las estructuras proteícas "aportando soluciones".

AlphaFold usa aprendizaje automático para generar una representación digital de millones de proteínas. Menis entiende que esa aproximación puede aprovecharse también en otras partes del proceso de desarrollo de medicamentos y sus posteriores exámenes.

"Elige una técnica en el desarrollo de tratamientos y hazte una pregunta: ¿cómo se puede representar en el mundo digital?", insistió. "Reemplazar el caro equipamiento de laboratorio con un algoritmo puede democratizar el acceso a investigaciones en todo el mundo".

"Paciencia y rendimiento"

El mayor desafío en todo esto podría ser la capacidad de Amazon para mantener proyectos muy caros a largo plazo. Preguntado por ello, Menis confió en una solución para este posible obstáculo para el éxito del aprendizaje automático en medicina y biotecnología: "paciencia y rendimiento". El proceso de desarrollo puede dilatarse y el listón de calidad de estos software es mayor que el de otras áreas, lo que puede requerir más tiempo.

"Comprometerse con alcanzar el liderazgo requiere de una estrategia a largo plazo. El trabajo computacional es rápido. Pero la biología y las ciencias de la salud requieren de otros tiempos", expuso el especialista. "Validar sus soluciones lleva más tiempo que a lo que están acostumbrados Amazon o AWS".

Con todo, el CEO de Amazon, Andy Jassy, ya ha identificado la atención sanitaria como una de sus principales prioridades, con lo que Menis y sus colegas podrían contar con el respaldo de la dirección del gigante tecnológico.