Más de 300 personas del ámbito académico e industrial se dieron cita en un auditorio para asistir a un seminario sobre BoltzGen, celebrado el pasado 30 de octubre y organizado por la Clínica Abdul Latif Jameel para el Aprendizaje Automático en Salud del MIT. El evento tuvo como protagonista al estudiante de doctorado Hannes Stärk, primer autor de BoltzGen, quien presentó este innovador modelo apenas unos días antes.
BoltzGen, que se basa en Boltz-2, un modelo de predicción de estructuras biomoleculares que generó gran interés durante el verano, es el primer modelo capaz de generar nuevos ligandos proteicos listos para entrar en la fase de descubrimiento de fármacos. Este avance fue oficialmente lanzado el 26 de octubre.
Innovaciones clave en BoltzGen
El éxito de BoltzGen radica en tres innovaciones fundamentales: primero, su capacidad para realizar diversas tareas que integran diseño proteico y predicción estructural sin sacrificar el rendimiento. Segundo, las restricciones incorporadas al modelo han sido diseñadas con la colaboración de investigadores en laboratorio para garantizar que las proteínas generadas sean funcionales y respeten las leyes físicas y químicas. Por último, un riguroso proceso de evaluación ha puesto a prueba el modelo en objetivos considerados “indrogables”, ampliando así los límites de generación de ligandos.
A diferencia de otros modelos utilizados en la industria o academia, que suelen enfocarse exclusivamente en la predicción estructural o en el diseño proteico y están limitados a generar ciertos tipos de proteínas que se unen a objetivos fáciles, BoltzGen ofrece una solución más generalizada. “Los modelos existentes son específicos para cada modalidad”, señala Stärk. “Un modelo general no solo permite abordar más tareas, sino que también mejora el rendimiento individual al aprender a emular la física mediante ejemplos más variados.”
Validación exhaustiva del modelo
Los investigadores detrás de BoltzGen realizaron pruebas exhaustivas del modelo en 26 objetivos, seleccionando casos terapéuticamente relevantes y otros elegidos específicamente por su disimilitud con los datos de entrenamiento. Este proceso integral se llevó a cabo en ocho laboratorios académicos e industriales, lo que demuestra la amplitud y potencial del modelo para revolucionar el desarrollo farmacéutico.
Parabilis Medicines, una empresa colaboradora que evaluó BoltzGen en un entorno experimental, destacó su potencial: “Creemos que integrar BoltzGen en nuestras capacidades computacionales actuales promete acelerar nuestro progreso hacia la entrega de fármacos transformadores contra enfermedades humanas importantes”.
Implicaciones para la industria biotecnológica
A medida que los lanzamientos open-source de Boltz-1, Boltz-2 y ahora BoltzGen abren nuevas oportunidades y transparencia en el desarrollo farmacéutico, también plantean interrogantes sobre cómo las industrias biotecnológicas y farmacéuticas deben reevaluar sus ofertas. En medio del entusiasmo generado por BoltzGen en redes sociales como X, Justin Grace, científico principal en aprendizaje automático en LabGenius, planteó una inquietud: “¿Cómo podrán las empresas ofrecer servicios cuando podemos esperar unos meses por versiones gratuitas?”
Para muchos académicos, BoltzGen representa una expansión y aceleración del potencial científico. La profesora Regina Barzilay del MIT afirma: “Mis estudiantes suelen preguntarme dónde puede AI cambiar el juego terapéutico. A menos que identifiquemos objetivos indrogables y propongamos soluciones, no lograremos cambiarlo”. Esta perspectiva resalta cómo el trabajo de Hannes se distingue dentro del campo.
El futuro del diseño biomolecular
Mirando hacia adelante, Stärk está convencido de que los modelos basados en inteligencia artificial transformarán el diseño biomolecular. “Quiero construir herramientas que nos ayuden a manipular la biología para resolver enfermedades o realizar tareas con máquinas moleculares que aún no hemos imaginado”, concluye. Su visión es proporcionar estos instrumentos para permitir a los biólogos explorar posibilidades nunca antes consideradas.
Si (
No(
