Meta y Google financian con 1.800 millones un proyecto para entrenar IA con biología humana
Meta, Google DeepMind e Isomorphic Labs ponen 300 millones en una iniciativa de Biohub para crear enormes bases de datos de células con las que entrenar modelos de IA capaces de acortar el desarrollo de fármacos.
Meta Platforms y Google se han sumado a una iniciativa de 1.800 millones de dólares para construir grandes bases de datos biológicas con las que entrenar modelos de inteligencia artificial. La idea: que esos modelos aprendan cómo reaccionan las células en multitud de situaciones y, con ello, acelerar el desarrollo de medicamentos. En concreto, Meta, Google DeepMind y la compañía de descubrimiento de fármacos Isomorphic Labs invertirán 300 millones de dólares entre las tres. El Departamento de Energía de Estados Unidos aportará más de 500 millones a lo largo de cinco años y Biohub ya ha comprometido otros 500 millones. Al proyecto se suman, además, conjuntos de datos construidos con más de 500 millones de financiación federal anterior.
El dinero irá a la 'Virtual Biology Initiative' de Biohub, un programa que recopilará información detallada sobre cómo responden las células en condiciones muy distintas y después usará esos datos para entrenar modelos de IA capaces de predecir respuestas biológicas. El motivo de tanto esfuerzo es sencillo de explicar: desarrollar un fármaco lleva años, muchísimos ensayos y un gasto enorme. Si un modelo puede anticipar con fiabilidad cómo se comportará una célula antes de que los científicos hagan cada experimento, los investigadores podrían descartar antes las vías malas y concentrar el trabajo de laboratorio en las más prometedoras.
El problema es que esos modelos necesitan muchísimos más datos de los que existen hoy. Alex Rives, jefe científico de Biohub, explica que los conjuntos actuales contienen cientos de millones de células y sostiene que para lograr modelos precisos harán falta miles de millones al principio y, con el tiempo, billones. Para cerrar esa brecha, los investigadores recopilarán datos con técnicas como la transcriptómica espacial, que muestra dónde ocurre la actividad molecular dentro de un tejido, y registrarán cómo reaccionan las células cuando cambia su entorno. Rives calcula que un trabajo de esta escala llevaría décadas de forma normal, pero los socios quieren comprimirlo en cinco años: el primer conjunto de datos se espera dentro de aproximadamente un año y confían en tener modelos predictivos útiles en un lustro.
El proyecto está planteado como un recurso científico abierto, aunque las empresas privadas que contribuyan a financiarlo tendrán acceso anticipado temporal. Cuando ese periodo termine, los datos pasarán a ser públicos. Los conjuntos financiados con dinero público no tendrán esas restricciones. Priscilla Chan, cofundadora de Biohub, insiste en que la meta es crear un recurso compartido sobre el que los investigadores puedan seguir construyendo con el tiempo. Biohub también espera captar fondos de farmacéuticas y entidades filantrópicas. Y no está solo: Anthropic está ampliando su investigación en biología y la fundación de OpenAI ha comprometido más de 125 millones para conjuntos de datos biológicos y médicos, señales de que la biología se ha convertido en un campo de batalla más de la carrera por la inteligencia artificial.
El análisis de Salseo
- El verdadero cuello de botella aquí no es el algoritmo, son los datos: hoy hay cientos de millones de células registradas y se necesitan billones. Quien consiga montar ese archivo primero tendrá una ventaja difícil de replicar, y Meta y Google se aseguran un sitio en primera fila pagando una cantidad que, para su tamaño, es calderilla (300 millones entre varias empresas).
- El diseño del proyecto mezcla dinero público y privado con una regla curiosa: las empresas que financian obtienen acceso anticipado a los datos y el resto del mundo espera. Es un incentivo razonable para que pongan dinero, pero también un flanco fácil de criticar si se percibe que fondos federales acaban dando ventaja temporal a gigantes tecnológicos. Merece la pena vigilar cómo se concreta ese periodo de exclusividad.
- Meta no es una farmacéutica y no busca vender medicamentos: lo que le interesa es mejorar sus modelos y, probablemente, colocar herramientas de IA en un sector dispuesto a pagar mucho. Google DeepMind ya lleva ventaja con AlphaFold e Isomorphic Labs, así que para Meta esto es más una apuesta de posicionamiento que un negocio a corto plazo.
- La señal concreta a seguir es doble: si el primer conjunto de datos llega de verdad en torno a un año y si en cinco años los modelos predicen respuestas celulares con la fiabilidad suficiente como para sustituir experimentos reales. Si eso ocurre, el impacto se notará en toda la industria farmacéutica; si se retrasa, la factura la pagarán los que hayan construido su estrategia sobre esta promesa.