Una prueba ciega muestra que la IA ya puede diseñar algunos anticuerpos viables

Diseñar un anticuerpo útil no consiste solo en encontrar una molécula que se pegue a su objetivo. También importa que pueda fabricarse, que se mantenga estable y que no arrastre problemas que la vuelvan inviable como medicamento. Un estudio publicado en Nature Biotechnology puso a prueba hasta qué punto la inteligencia artificial puede ayudar en esa tarea con una condición poco habitual: no evaluar modelos sobre datos viejos, sino pedirles diseños nuevos y comprobarlos después en el laboratorio sin que los participantes supieran de antemano el resultado.

Ese ejercicio, llamado AIntibody Challenge, reunió 166 participantes y 527 envíos procedentes de universidades y empresas. En vez de limitarse a comparar predicciones contra bases de datos históricas, el benchmark hizo sintetizar anticuerpos diseñados por las herramientas y los sometió a ensayos experimentales de afinidad y de desarrollabilidad, es decir, rasgos físicos y químicos que importan cuando un candidato quiere avanzar hacia usos terapéuticos. Según el paper, varias propuestas lograron anticuerpos desarrollables con afinidades inferiores a 100 picomolar, una señal de unión muy fuerte.

La noticia importante, sin embargo, no es que la IA haya resuelto por completo el problema, sino que la evaluación mostró un panorama más matizado. Algunos enfoques funcionaron bien en tareas concretas, sobre todo cuando debían mejorar anticuerpos ya existentes a partir de información biológica bien delimitada. Pero ese éxito no se trasladó de manera uniforme a todos los desafíos. En una de las pruebas, orientada a reconocer cuáles candidatos dentro de ciertos grupos tendrían mejor afinidad, casi todos los métodos rindieron mal y, salvo una excepción, no superaron una selección al azar.

Eso ayuda a bajar un poco el tono de muchas promesas sobre diseño computacional de fármacos. La inteligencia artificial parece capaz de aportar valor real cuando opera dentro de regímenes bien definidos y con buenas anclas experimentales, pero sigue mostrando debilidades cuando se le pide generalizar demasiado o proponer diseños completamente nuevos fuera de bibliotecas ya conocidas. En otras palabras, puede ser una herramienta útil para afinar la búsqueda, no una máquina mágica que reemplaza por sí sola el trabajo del laboratorio.

La utilidad potencial sigue siendo grande. Los anticuerpos terapéuticos ocupan un lugar cada vez más importante en cáncer, enfermedades autoinmunes e infecciones, pero desarrollarlos suele ser lento y costoso. Si una parte del filtrado inicial pudiera hacerse mejor con modelos computacionales, los equipos de investigación tendrían más chances de concentrar tiempo y dinero en candidatos con mejores perspectivas desde el arranque.

El trabajo también muestra por qué hacen falta pruebas prospectivas y ciegas en este campo. Un modelo puede lucir muy convincente cuando se lo evalúa con ejemplos que se parecen a los usados en su entrenamiento. Otra cosa es pedirle que proponga secuencias nuevas y medir después, en condiciones independientes, si esas moléculas realmente funcionan. Ese tipo de examen se parece más a lo qué ocurre fuera del laboratorio de computación y permite separar mejor los avances sólidos del entusiasmo excesivo.

Conviene leer el resultado con prudencia. El benchmark no demuestra que ya existan medicamentos nuevos listos gracias a esta estrategia, ni garantiza que un método exitoso en un conjunto de pruebas vaya a comportarse igual frente a cualquier blanco terapéutico. Además, el propio estudio subraya que los aciertos todavía fueron excepcionales y que persisten vacíos importantes, sobre todo en la predicción de afinidad y en la capacidad de trasladar lo aprendido de una tarea a otra. Aún así, deja una conclusión relevante: en el diseño de anticuerpos, la IA ya no es solo una promesa teórica, pero tampoco está cerca de volverse infalible.