Datos privados elevan la IA al 52,1%

Los modelos de inteligencia artificial aprenden a partir de ejemplos: cuantos más casos pertinentes analizan, mejores resultados obtienen. Este principio sirve tanto para predecir cómo interactúan las moléculas de un medicamento con las proteínas como para reconocer rostros o traducir textos. El problema es que algunos de los ejemplos más valiosos para diseñar fármacos permanecen encerrados en las bases de datos de las compañías farmacéuticas, fuera del alcance de cualquier sistema público de IA.

Un consorcio formado por AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson y Takeda asegura haber encontrado una forma de entrenar conjuntamente un modelo con esos datos privados sin que ninguna empresa revele sus archivos. En la prueba elaborada por el propio consorcio, el modelo resultante superó con claridad al sistema inicial, entrenado con información pública. Sin embargo, no se han publicado el modelo, los datos utilizados en la evaluación ni un artículo revisado por pares (Nature).

Enseñar a un modelo sin reunir los datos

El punto de partida fue OpenFold3 Preview 2, un sistema de código abierto que predice cómo se disponen conjuntamente en tres dimensiones las proteínas y las pequeñas moléculas similares a las de los medicamentos. En términos sencillos, intenta anticipar tanto la forma de una cerradura como el modo en que una llave encaja en ella (OpenFold3 repository).

Las cinco empresas no reunieron sus estructuras en una única base de datos, sino que cada una entrenó localmente una copia del modelo con su propia información. Después compartieron con un coordinador central únicamente los ajustes numéricos aprendidos durante el entrenamiento, sin entregar los registros moleculares originales. Apheris, con sede en Berlín, gestionó la coordinación mediante el marco abierto de aprendizaje federado de NVIDIA, mientras que el laboratorio de Mohammed AlQuraishi en Columbia University aportó sus conocimientos sobre el modelo. El consorcio afirma haber utilizado 40 unidades de procesamiento gráfico NVIDIA H100 repartidas entre cinco entornos empresariales independientes (Apheris, Nature).

Las estructuras originales permanecieron tras los cortafuegos de cada empresa. No obstante, el consorcio no ha aportado pruebas formales de que las actualizaciones compartidas del modelo sean incapaces de revelar información sobre los datos de entrenamiento, un riesgo teórico conocido del aprendizaje federado.

Qué aportaron las estructuras privadas

El consorcio entrenó el modelo con 20.167 estructuras privadas de complejos formados por proteínas y medicamentos y lo evaluó con otro conjunto reservado de 1.056 estructuras (Apheris). Su principal indicador medía la frecuencia con que la disposición entre el fármaco y la proteína predicha por el sistema coincidía estrechamente con la observada en experimentos. El modelo federado obtuvo resultados de alta calidad en el 52,1% de los casos, frente al 35,6% de OpenFold3 original y el 40,9% de Boltz-2, otro destacado modelo abierto (Apheris, Nature).

Un modelo de control, entrenado únicamente con datos públicos actualizados, no logró mejoras comparables. El consorcio considera que este resultado demuestra que las estructuras privadas contenían información útil para las predicciones que no estaba recogida en los registros de acceso público (Apheris).

La explicación puede estar en la naturaleza de esos datos. Protein Data Bank, la gran base pública de estructuras, es muy extensa, pero refleja las proteínas que los laboratorios académicos han decidido estudiar. Las colecciones farmacéuticas, según el consorcio y expertos ajenos al proyecto, suelen incluir series sistemáticas en las que una misma diana se combina con numerosos candidatos a medicamento relacionados, lo que permite registrar las pequeñas variaciones de unión que resultan determinantes para el diseño (Nature, C&EN). El consorcio añade que el modelo federado superó a todos los modelos entrenados por una sola compañía, un resultado coherente con la ventaja de combinar información procedente de varias empresas.

Lo que todavía no puede verificarse desde fuera

Todavía no se ha presentado ningún artículo científico. Los parámetros numéricos aprendidos por el modelo, las estructuras empleadas en la prueba y las predicciones individuales tampoco están disponibles para investigadores externos. No se han publicado intervalos de confianza ni pruebas estadísticas, y las mismas organizaciones que desarrollaron el sistema diseñaron y evaluaron la prueba (Nature).

Estas carencias son relevantes por un problema ya documentado. Un trabajo del grupo PoseBusters demostró que las predicciones de otros modelos de IA estructural pueden parecer próximas a una estructura de referencia y, al mismo tiempo, colocar los átomos en configuraciones físicamente imposibles, por ejemplo con ángulos de enlace que no se dan en moléculas reales (PoseBusters). Se desconoce si las predicciones de AISB superan esas comprobaciones.

La prueba mide la capacidad del modelo para reconstruir disposiciones experimentales ya conocidas. No determina si esas predicciones ayudan a identificar compuestos que realmente se unan a su diana en un organismo vivo ni si esos compuestos son seguros. Predecir con precisión la posición de una molécula puede orientar al químico que decide qué candidatos estudiar, pero el consorcio no ha comunicado ningún resultado posterior en el desarrollo de medicamentos.

El proyecto MELLODDY, integrado por diez empresas, ya había demostrado que el aprendizaje federado podía mejorar la predicción de propiedades moleculares entre competidores farmacéuticos (MELLODDY). AISB traslada ese principio a la predicción de estructuras tridimensionales. El avance podrá evaluarse con mayor certeza cuando el consorcio publique un artículo y facilite suficientes datos verificables para que investigadores independientes comprueben si las mejoras se mantienen fuera de una evaluación controlada por sus propios participantes.