Ciencia de fin de semana: Una computadora cuántica acaba de ayudar a inventar nuevos candidatos de fármacos

Puntos clave

• Investigadores de la Universidad Técnica de Dinamarca utilizaron un modelo de IA asistido por computadora cuántica en 2024 para generar péptidos novedosos, cadenas cortas similares a proteínas utilizadas en el desarrollo de fármacos.
• Las pruebas de laboratorio confirmaron que el modelo asistido por computadora cuántica produjo péptidos más exitosos que el equivalente clásico, con las mayores ganancias donde los datos de entrenamiento eran escasos.
• El equipo financió el trabajo agrupando dinero no gastado de otros proyectos y trabajando los fines de semana, porque ningún organismo de subvenciones quiso financiarlo.
• Las computadoras cuánticas aún son demasiado pequeñas para ejecutar modelos de descubrimiento de fármacos a gran escala, por lo que este resultado es una prueba de concepto, no un producto terminado.
• ORCA Computing, la startup británica que construyó la máquina cuántica, dice que el estudio es uno de los primeros usos comerciales cercanos claros de la tecnología.

Un pequeño equipo de la Universidad Técnica de Dinamarca (DTU) ha demostrado que conectar una computadora cuántica a una tubería de descubrimiento de fármacos de IA puede producir mejores candidatos de medicina que usar solo una computadora regular. Publicaron los resultados después de ejecutar el experimento los fines de semana, pagándolo con presupuesto sobrante de otras subvenciones.

El modelo de IA aquí es un modelo generativo, software que crea nuevos resultados en lugar de clasificar los existentes. Estaba generando péptidos: pequeñas cadenas de aminoácidos, los componentes básicos de las proteínas, que pueden adherirse a objetivos específicos dentro del cuerpo. Encontrar péptidos que se unan de manera confiable a una proteína objetivo es un paso crítico temprano en el desarrollo de vacunas.

La máquina cuántica, construida por la startup británica ORCA Computing, tiene aproximadamente el tamaño de una impresora de escritorio. No reemplaza una computadora normal; funciona junto a una, una configuración llamada sistema híbrido. El componente cuántico maneja la parte del cálculo donde la física cuántica ayuda a explorar una gama más amplia de posibilidades.

Las pruebas de laboratorio fueron importantes aquí. El equipo sintetizó los péptidos que sugirió el modelo y probó si se adhería físicamente a sus proteínas objetivo. Lo hicieron, a una tasa de éxito más alta que los péptidos generados por la versión clásica del mismo modelo. La mejora fue más marcada para proteínas donde los datos de entrenamiento eran limitados.

Este último punto tiene un peso real. La mayoría de la investigación médica se ha enfocado en poblaciones occidentales, dejando menos datos genéticos para grupos poco estudiados en Asia, África y otros lugares. El profesor Timothy Patrick Jenkins de DTU, quien dirigió el proyecto, le dijo a Wired que el paso cuántico pareció ayudar al modelo a generar un conjunto más diverso de candidatos incluso con datos limitados, lo que eventualmente podría ayudar a producir medicinas que funcionen en una gama más amplia de pacientes. El propio Jenkins había sido escéptico: "Fui un enorme escéptico de la mecánica cuántica", le dijo a Wired, esperando que cualquier aplicación útil estuviera "décadas de distancia".

¿Significa esto que las computadoras cuánticas cambiarán la medicina pronto?

Aún no. Las máquinas actuales son demasiado pequeñas para ejecutar un modelo de anticuerpos de tamaño completo, que es con lo que normalmente trabaja el equipo de DTU, y una computadora estándar de gama alta aún las supera en la mayoría de tareas reales de descubrimiento de fármacos. El estudiante de doctorado de DTU Jonathan Funk lo expresó claramente: el nivel de complejidad que el equipo pudo codificar "no era un anticuerpo de tamaño normal".

El director ejecutivo de ORCA Computing, Richard Murray, reconoció que la tecnología ha carecido durante mucho tiempo de usos cercanos claros. Le dijo a Wired que este estudio es uno de los primeros ejemplos concretos de una aplicación comercial cercana.

Jenkins ya está planeando probar el flujo de trabajo en proteínas más grandes y modelos de IA más avanzados. También está explorando si el mismo enfoque podría ayudar a diseñar antídotos sintéticos para el veneno de mordedura de serpiente, un área descuidada que atrae poca financiación para investigación.

Para los pacientes, el impacto práctico está años de distancia. Lo que este estudio hace es dar a los investigadores una razón pequeña pero real para seguir explorando la combinación, y para un campo que ha pasado años prometiendo avances futuros, un resultado que puedes sostener en una placa de laboratorio vale más de lo que podría parecer a primera vista.