La computación cuántica lleva años prometiendo revolucionar la medicina sin conseguir demostrar con claridad qué podría hacer hoy, con máquinas pequeñas y todavía muy limitadas. Un grupo de científicos daneses decidió comprobarlo con una estrategia bastante menos grandiosa: utilizar un ordenador cuántico para modificar una pequeña parte de una inteligencia artificial y observar si conseguía diseñar mejores péptidos.
El experimento terminó produciendo moléculas que funcionaron en el laboratorio. Investigadores de la Universidad Técnica de Dinamarca, ORCA Computing y varias instituciones europeas conectaron un modelo generativo con un procesador cuántico fotónico. El sistema creó cadenas cortas de aminoácidos capaces de estabilizar determinadas proteínas del sistema inmunitario, un paso necesario para desarrollar vacunas e inmunoterapias personalizadas.
El trabajo resulta todavía más peculiar por su origen. Según relató el responsable del proyecto, Timothy Patrick Jenkins, a WIRED, parte del equipo trabajó durante los fines de semana y reunió fondos no gastados de otras investigaciones para sacar adelante una idea que consideraba demasiado arriesgada para las vías tradicionales de financiación.
La computadora cuántica no diseñó sola las moléculas
El titular puede llevar a imaginar que una máquina cuántica analizó proteínas completas y descubrió un medicamento. Lo ocurrido fue bastante más específico.
Los científicos utilizaron una red generativa antagónica, conocida como GAN. Este tipo de inteligencia artificial contiene un generador que propone nuevas secuencias y un discriminador que intenta determinar si se parecen a las moléculas reales utilizadas durante el entrenamiento.
Para comenzar a generar, el modelo necesita recibir una colección de números aleatorios denominada distribución previa o espacio latente. Habitualmente esos números proceden de una distribución matemática sencilla, como una gaussiana. En el nuevo experimento, los investigadores sustituyeron esa “semilla” convencional por patrones obtenidos de un procesador cuántico fotónico de 32 modos fabricado por ORCA Computing.
La máquina envía fotones a través de un circuito de divisores de haz y registra por dónde salen. Cada medición produce una distribución compleja y correlacionada que puede utilizarse como punto de partida para la IA. El resto del trabajo (el entrenamiento, la generación y la evaluación) continuó realizándose en ordenadores clásicos.
La hipótesis era que esas estructuras cuánticas permitirían explorar el inmenso espacio de péptidos de una manera diferente, evitando que el modelo visitase siempre las mismas regiones. ORCA ya había observado indicios semejantes en modelos generativos aplicados a imágenes y moléculas pequeñas.
La mejora apareció donde los datos eran más escasos
El equipo se concentró en péptidos de nueve aminoácidos capaces de unirse a moléculas HLA de clase I. Estas proteínas funcionan como expositores microscópicos: presentan fragmentos moleculares en la superficie de las células para que el sistema inmunitario pueda reconocer infecciones, anomalías o células tumorales.
Las variantes HLA cambian de una persona a otra y no aparecen con la misma frecuencia en todas las poblaciones. El problema es que buena parte de los datos biomédicos disponibles procede de grupos de ascendencia europea, por lo que numerosos alelos presentes en otras regiones continúan poco estudiados.
Los investigadores entrenaron el sistema con 105.970 pares de péptidos y HLA, correspondientes a unas 77.000 secuencias únicas y 126 variantes inmunitarias. Después, cada versión del modelo generó 1.000 péptidos para cada uno de los 131 alelos evaluados. Un programa llamado NetMHCpan predijo cuáles tendrían mayores probabilidades de unirse con fuerza.
El modelo alimentado con la distribución cuántica produjo, en promedio, más candidatos fuertes que la versión gaussiana en el 63% de los alelos. Las diferencias más claras aparecieron en aquellos con pocos ejemplos dentro del conjunto de entrenamiento. Para HLA-A*68:01, por ejemplo, el sistema cuántico llegó a generar aproximadamente el doble de candidatos fuertes.
La IA no se limitó a repetir pequeñas variantes de una misma secuencia. Los péptidos mostraron mayor diversidad en las posiciones donde los aminoácidos podían cambiar, al tiempo que conservaron los puntos de anclaje necesarios para encajar en cada molécula HLA.
Los péptidos salieron de la computadora y entraron en el laboratorio
Una predicción digital no demuestra que una molécula vaya a comportarse igual en el mundo físico. Para superar esa barrera, el equipo escogió tres variantes poco estudiadas: HLA-A31:01, HLA-A68:01 y HLA-B*37:01.
Los científicos sintetizaron los 20 péptidos mejor puntuados para cada una y comprobaron mediante ensayos ELISA si estabilizaban realmente los complejos péptido-HLA. Todos los candidatos ensayados para HLA-A31:01 y HLA-A68:01 superaron el umbral positivo. En HLA-B*37:01 hubo numerosos aciertos, pero también varios fracasos, algo que los autores atribuyen en parte a su estructura atípica y a la escasez de información disponible.
Los mejores péptidos individuales para los tres alelos procedieron del modelo cuántico. Sin embargo, al comparar el promedio completo, el rendimiento de los grupos cuántico y clásico fue parecido. El dato importa porque evita interpretar el experimento como una victoria indiscutible sobre la computación convencional.
Lo demostrado es más modesto: cambiar la forma en que se alimenta inicialmente a una IA puede llevarla hacia regiones distintas del espacio molecular, y una distribución extraída de hardware cuántico parece especialmente útil cuando faltan ejemplos.
No es todavía una ventaja cuántica ni una vacuna terminada
Los propios autores remarcan que el resultado no demuestra una ventaja cuántica. El sistema utilizado era lo suficientemente pequeño como para poder ser simulado mediante ordenadores tradicionales, y las mejoras generales frente a las distribuciones clásicas fueron consistentes, pero moderadas. El estudio, además, fue publicado como preprint en bioRxiv y todavía no ha superado una revisión por pares.
Tampoco basta con que un péptido se una a una molécula HLA para crear una vacuna. Después debe ser procesado correctamente por las células, reconocido por los receptores de los linfocitos T y generar una respuesta inmunitaria eficaz sin provocar efectos indeseados. La unión comprobada en el laboratorio es solo uno de muchos filtros.
La siguiente etapa será probar el método con arquitecturas generativas más avanzadas, proteínas mayores y objetivos terapéuticos más complejos. El laboratorio de Jenkins ya investiga la posibilidad de aplicarlo al diseño de antídotos sintéticos contra venenos de serpiente, un problema que afecta de manera desproporcionada a comunidades con pocos recursos de África, Asia y América Latina. El grupo de DTU trabaja precisamente en el uso de IA y automatización para descubrir proteínas de unión aplicables a toxinas, cáncer, infecciones y diagnósticos económicos.
La computadora cuántica no descubrió un medicamento ni reemplazó a los superordenadores. Hizo algo más pequeño, pero quizá más valioso para una tecnología que todavía busca justificar su existencia: ayudó a una inteligencia artificial a mirar donde los modelos tradicionales encontraban muy poco que aprender.
