La inteligencia artificial sigue encontrando caminos para integrarse en campos antes dominados exclusivamente por la ciencia experimental. Un reciente ejemplo es BoltzGen, un modelo generativo desarrollado por investigadores del MIT que podría cambiar la forma en que se crean medicamentos para enfermedades difíciles de tratar.
Desarrollado por el Abdul Latif Jameel Clinic for Machine Learning in Health, BoltzGen es una herramienta capaz de generar proteínas que se adhieren a objetivos biológicos específicos, incluso aquellos considerados «intratables» por los métodos actuales. Esto no solo amplía el espectro de enfermedades abordables, sino que también acelera el proceso de descubrimiento de nuevos fármacos.
De predecir a diseñar: el salto desde Boltz-2
BoltzGen surge como una evolución del modelo previo Boltz-2, que ya había demostrado ser eficaz para predecir la afinidad de unión entre proteínas. Sin embargo, la novedad clave de BoltzGen es que no solo predice, sino que diseña desde cero nuevas moléculas con potencial terapéutico. Es como pasar de leer partituras musicales a componer sinfónicas originales adaptadas a cada oyente.
Este enfoque cambia radicalmente la lógica del desarrollo farmacológico: en lugar de buscar entre miles de combinaciones posibles, el modelo genera opciones plausibles y funcionales, reduciendo así tiempo y recursos.
Tres pilares tecnológicos de BoltzGen
El funcionamiento de BoltzGen se apoya en tres innovaciones fundamentales. En primer lugar, su capacidad de realizar tareas diversas al mismo tiempo: diseño de proteínas, predicción estructural y validación funcional. Esta versatilidad le permite adaptarse a una variedad de retos biomoleculares.
El segundo elemento es el uso de restricciones incorporadas en el modelo, diseñadas con retroalimentación directa de laboratorios experimentales. Esto asegura que las proteínas generadas no solo sean teóricamente posibles, sino también viables en entornos reales, respetando principios físico-químicos esenciales.
Por último, BoltzGen destaca por su proceso de evaluación riguroso, en el que se probaron diseños sobre 26 objetivos biológicos distintos, muchos de ellos deliberadamente seleccionados por su dificultad. Las pruebas se realizaron en ocho laboratorios distintos, tanto académicos como industriales, lo que subraya su aplicabilidad en distintos contextos.
Más allá de los datos conocidos
Una limitación habitual en los modelos de diseño de proteínas es que funcionan bien solo cuando el objetivo está representado en los datos de entrenamiento. Es decir, cuando «ya conocen la respuesta al examen». BoltzGen, en cambio, fue probado de forma específica contra objetivos biológicos que no estaban presentes en su entrenamiento, desafiando su capacidad de generalizar patrones físicos.
Esto es clave para avanzar hacia tratamientos para enfermedades actualmente sin opciones terapéuticas eficaces. Como explicó Regina Barzilay, profesora del MIT y coautora del trabajo, el verdadero valor de la IA en salud está en resolver lo que aún no tiene solución.
Aplicaciones en la industria farmacéutica
Empresas como Parabilis Medicines ya han comenzado a integrar BoltzGen en sus plataformas de investigación, como Helicon Peptide. Según declaraciones del equipo, el modelo tiene el potencial de acelerar el desarrollo de fármacos transformadores para enfermedades humanas complejas.
Este tipo de integraciones también despiertan inquietudes. En redes sociales, voces como la de Justin Grace, científico en LabGenius, señalan la rapidez con la que los modelos open-source están alcanzando (e incluso superando) a soluciones comerciales privadas. Esta tendencia podría afectar la sostenibilidad de ciertos modelos de negocio en biotecnología, especialmente aquellos que ofrecen «binder-as-a-service».
Ciencia abierta y colaborativa
Un aspecto destacable es que BoltzGen se lanza como herramienta open-source, al igual que sus predecesores Boltz-1 y Boltz-2. Esta decisión tiene implicancias profundas: permite a investigadores de todo el mundo acceder, mejorar y aplicar la tecnología sin barreras de licencia.
Tommi Jaakkola, otro de los coautores y profesor del MIT, destaca que esta apertura facilita esfuerzos colectivos para acelerar el diseño de fármacos, algo esencial frente a crisis sanitarias globales o enfermedades desatendidas.
Imaginando nuevas herramientas para manipular la biología
El creador principal de BoltzGen, Hannes Stärk, visualiza un futuro donde modelos como este permitirán no solo crear medicamentos, sino reprogramar sistemas biológicos para funciones que hoy ni imaginamos. Es una visión que fusiona ciencia, tecnología y creatividad, empoderando a biólogos con herramientas que amplifican su capacidad de innovar.
Este tipo de avances sitúa la inteligencia artificial como un aliado esencial en la medicina del futuro, no como reemplazo de la ciencia experimental, sino como su complemento más poderoso.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí