Por Dimas Covas*
Dimas Covas, científico jefe de Investigación, Desarrollo e Innovación de Sinovac.
Crédito de la foto: Leo Ramos Chaves
Durante gran parte de la historia de la medicina, el desarrollo de vacunas estuvo condicionado por una dificultad fundamental: nuestro conocimiento sobre los agentes infecciosos y su interacción con el organismo humano era limitado. Identificar los componentes de un virus o una bacteria capaces de inducir una respuesta inmunitaria protectora exigía años de investigación, experimentos sucesivos y, con frecuencia, una buena dosis de intuición científica.
Esta realidad comenzó a cambiar con el desarrollo de la biología molecular, la secuenciación genética y, más recientemente, con la extraordinaria expansión de las tecnologías capaces de generar información biológica. Hoy conocemos los genomas completos de miles de microorganismos, podemos estudiar la estructura de sus proteínas e investigar, con una profundidad antes inimaginable, distintos aspectos de la respuesta inmunitaria.
Curiosamente, esta abundancia de información creó un nuevo problema. Ya no se trata solo de obtener datos, sino de comprender qué hacer con ellos. La cantidad de información disponible creció mucho más rápido que nuestra capacidad para analizarla y transformarla en conocimiento útil.
Es en este contexto donde la inteligencia artificial comienza a ocupar un lugar importante en la investigación biomédica, en particular en el desarrollo de vacunas.
No creo que estemos ante una tecnología capaz de sustituir el trabajo científico o eliminar las incertidumbres propias de la investigación biológica. Su contribución es de otra naturaleza. La inteligencia artificial amplía nuestra capacidad para examinar una cantidad extraordinaria de posibilidades, identificar relaciones poco evidentes y seleccionar aquellas que merecen investigarse con mayor profundidad.
Puede parecer un cambio meramente instrumental, pero sus consecuencias son potencialmente profundas.
El desarrollo de una vacuna implica una serie de decisiones. Necesitamos decidir qué proteínas de un microorganismo deben estudiarse, identificar las regiones capaces de estimular una respuesta inmunitaria, comprender cómo determinadas estructuras interactúan con el sistema inmunitario y seleccionar los candidatos que resulten más interesantes para la investigación experimental.
Estas decisiones siempre han dependido del conocimiento acumulado y de la experiencia de los investigadores. Seguirán dependiendo de ellos. La diferencia es que ahora podemos utilizar sistemas informáticos para examinar miles de secuencias, comparar estructuras moleculares y reconocer patrones que difícilmente podrían identificarse mediante los métodos convencionales.
Es importante comprender que no estamos simplemente sustituyendo un procedimiento lento por otro más rápido. Estamos cambiando la manera de elegir qué debe investigarse.
En la investigación experimental, una parte considerable del tiempo y de los recursos se consume explorando hipótesis que finalmente no se confirman. Esto forma parte del proceso científico y, muchas veces, es precisamente un resultado negativo lo que nos permite avanzar. Sin embargo, si conseguimos identificar de antemano qué vías tienen mayor probabilidad de producir resultados relevantes, podremos aprovechar de manera mucho más racional la capacidad de nuestros laboratorios.
Me gusta pensar en esta contribución como una reducción del espacio de búsqueda de la ciencia. Ante miles de posibilidades, la inteligencia artificial puede ayudarnos a seleccionar unas pocas decenas que justifiquen el esfuerzo experimental. No sabemos de antemano si estas elecciones serán acertadas, pero podemos mejorar los criterios que utilizamos para tomarlas.
En la vacunología, esta posibilidad ya se manifiesta en distintas áreas. Se utilizan herramientas computacionales para analizar secuencias genéticas, predecir estructuras de proteínas, identificar posibles regiones antigénicas y apoyar el diseño racional de candidatos vacunales. La integración de esta información con datos inmunológicos puede orientar experimentos más específicos y permitir evaluar alternativas que serían difíciles de explorar mediante métodos tradicionales.
Sin embargo, hay una cuestión que considero esencial y que no siempre recibe la debida atención en los debates sobre la inteligencia artificial aplicada a la salud.
Una predicción computacional no es una demostración biológica.
Podemos desarrollar modelos sofisticados para predecir la estructura de una proteína o estimar determinadas interacciones moleculares. Incluso podemos identificar características que sugieran una mayor estabilidad o un potencial inmunogénico de un candidato. Pero nada de esto garantiza que sea capaz de inducir una respuesta protectora en un organismo vivo.
El sistema inmunitario es extraordinariamente complejo. Su respuesta depende de interacciones entre células, moléculas, tejidos y mecanismos reguladores que todavía estamos lejos de comprender por completo. Una vacuna no solo debe presentar características moleculares adecuadas: debe inducir una respuesta inmunitaria eficaz, proporcionar protección y demostrar su seguridad en las condiciones reales en las que se utilizará.
Por eso, la experimentación sigue siendo insustituible.
La hipótesis formulada con ayuda de un algoritmo debe confirmarse en el laboratorio. Los resultados obtenidos en modelos experimentales deben investigarse en estudios preclínicos y, cuando esté justificado, en estudios clínicos realizados con el rigor necesario.
Esta distinción entre predecir y demostrar es uno de los fundamentos del método científico. Y seguirá siéndolo, independientemente del grado de sofisticación que alcancen las herramientas computacionales que desarrollemos.
Hay, no obstante, una dimensión de esta transformación que merece especial atención: el tiempo.
La pandemia de COVID-19 mostró de manera contundente hasta qué punto la velocidad de la respuesta científica puede influir en el curso de una emergencia sanitaria. La rápida secuenciación del agente infeccioso, la disponibilidad de plataformas tecnológicas y la capacidad de organizar grandes programas de investigación y desarrollo permitieron avances que, en otras circunstancias, habrían requerido mucho más tiempo.
La inteligencia artificial puede aportar una nueva capacidad a este proceso. Ante la aparición de un agente infeccioso, los sistemas informáticos podrán contribuir a interpretar rápidamente sus características moleculares, comparar la información con el conocimiento ya acumulado y orientar la selección inicial de candidatos vacunales.
Esto no significa que tendremos vacunas listas en pocos días ni que podremos acortar indiscriminadamente los estudios necesarios para demostrar su seguridad y eficacia. Significa que algunas decisiones tomadas en las etapas iniciales podrán estar mejor fundamentadas y adoptarse en menos tiempo.
En una emergencia sanitaria, esta diferencia puede ser de gran importancia.
Naturalmente, el uso creciente de estas tecnologías también plantea problemas que no debemos subestimar. La fiabilidad de un modelo depende, en gran medida, de la calidad de los datos utilizados para desarrollarlo. La información incompleta, las poblaciones escasamente representadas y los resultados experimentales inconsistentes pueden generar predicciones erróneas, incluso cuando los sistemas informáticos parecen funcionar adecuadamente.
Además, debemos garantizar la transparencia, la trazabilidad, la gobernanza y la existencia de mecanismos independientes de validación. No basta con que un algoritmo produzca una respuesta convincente. Es necesario comprender en qué condiciones puede considerarse fiable esa respuesta y reconocer los límites de su aplicación.
La historia de la ciencia está llena de ejemplos de teorías elegantes que no resistieron el contraste con la realidad. La inteligencia artificial no nos hará inmunes a este problema.
Lo que me parece más interesante de esta transformación no es la posibilidad de automatizar etapas aisladas del desarrollo de vacunas. Es la perspectiva de reorganizar la propia actividad de investigación, integrando más estrechamente la biología molecular, la inmunología, la bioinformática, la ciencia de datos y la experimentación.
Podemos imaginar un entorno en el que los resultados obtenidos en el laboratorio se incorporen continuamente a los modelos computacionales, lo que permitirá perfeccionar nuevas predicciones, seleccionar otros candidatos y orientar los experimentos siguientes. Un proceso en el que el conocimiento biológico y la capacidad computacional se retroalimenten, sin perder la necesaria independencia de la validación científica.
Esta integración todavía enfrenta importantes limitaciones técnicas y metodológicas. Sin embargo, apunta a una transformación que podría alcanzar no solo a la vacunología, sino también a otras áreas de la investigación biomédica.
Para SINOVAC, comprender esta evolución forma parte de una reflexión más amplia sobre el futuro de la investigación, el desarrollo y la innovación en salud. El avance de las plataformas tecnológicas, la biología molecular y las herramientas computacionales está modificando las condiciones en las que pueden concebirse y desarrollarse nuevos productos. La inteligencia artificial ocupará previsiblemente un lugar cada vez más importante en este proceso, aunque su incorporación efectiva dependerá de la competencia científica, la infraestructura experimental y la capacidad de transformar predicciones en resultados verificables.
A lo largo de mi trayectoria científica, he seguido de cerca cambios tecnológicos que transformaron profundamente lo que éramos capaces de investigar. Lo que antes dependía de procedimientos largos y de una cantidad limitada de información pasó, en muchos casos, a realizarse con una profundidad y una velocidad que difícilmente habríamos podido imaginar hace algunas décadas.
La inteligencia artificial representa otra de estas transformaciones. Quizá una de las más importantes, por la amplitud de sus aplicaciones y su capacidad para integrar conocimientos producidos en áreas muy diferentes.
Pero la experiencia también nos enseña a desconfiar de las soluciones que parecen demasiado simples para problemas complejos. La biología sigue sorprendiendo nuestras predicciones, y el desarrollo de una vacuna continúa siendo una tarea científica exigente, que depende del conocimiento, la experimentación, el tiempo y las pruebas consistentes.
No tengo dudas de que la inteligencia artificial contribuirá a cambiar la manera en que desarrollamos vacunas. Sin embargo, el alcance de este cambio dependerá menos de la capacidad de producir predicciones cada vez más sofisticadas y más de nuestra competencia para transformarlas en verdadero conocimiento científico.
Al final, la pregunta decisiva seguirá siendo la misma que siempre ha guiado la investigación biomédica: ¿aquello que imaginamos, calculamos o predecimos encuentra confirmación en la realidad?
Es esa respuesta, y no la sofisticación del algoritmo, la que determina el valor de un descubrimiento científico.
Dimas Covas es médico e investigador, profesor titular de la Facultad de Medicina de Ribeirão Preto de la Universidad de São Paulo (USP), investigador en terapia celular y vacunas, exdirector del Instituto Butantan y científico jefe de Investigación, Desarrollo e Innovación de Sinovac en Brasil.
Este artículo de Dimas Covas fue destacado en el portal Futuro da Saúde. Acceda al contenido completo: Inteligência artificial e vacinas: uma nova maneira de fazer ciência – por Dimas Covas – Futuro da Saúde
