La IA está resolviendo problemas que la ciencia llevaba décadas sin resolver

0:00 Entonces, aquella afirmación que hizo Demisas de en los próximos 10 años vamos a todas las enfermedades, ¿cómo lo ves? Ya hay publicaciones que entrenando con las trayectorias de los pacientes eres capaz de predecir a 5 años vista qué enfermedad vas a tener. Tampoco es tan inconcebible. Alfonso Valencia, pionero de la bioinformática y director de Ciencias de la Vida en el Barcelona Supercomputing Center. Expresidente de la Sociedad [música] Internacional de Biología Computacional, Valencia lidera la aplicación de la supercomputación en la medicina personalizada. Con más de 400 artículos publicados es un referente global en el uso de inteligencia artificial para descifrar genomas y enfermedades como el cáncer. El impacto biomedicina, el impacto es muy grande porque podemos hacer cosas que son insospechadas, podemos hacer cosas que hace 3 años o 4 años no

0:47 hubiéramos pensado siquiera que era posible. Podemos aprobar un medicamento sobre el que no sepamos cómo funciona. Se puede hacer, pero tiene sus complicaciones hacerlo. Entonces, en cambio, aquí la historia será, ¿qué quieres hacer? [música] ¿Que curemos esta enfermedad sin tener ni idea de cómo lo he hecho, cómo lo he gestionado, pero que funciona? ¿O quieres que te lo explique y tardemos el doble de tiempo en llegar a eso? Me da la sensación de que nos vamos a encontrar con esa ese momento de decisión ¿no? Es muy difícil pensar que vas a tener la cura para todas las enfermedades en en tan poco tiempo. ¿Qué cosas ves que la inteligencia artificial está haciendo posible que no creías que verías? Hemos pasado de un mero inteligencia artificial como una especie de ayuda para hacer las cosas un poco más rápido. A inteligencia artificial para hacerme pensar en hacer las cosas de otra forma distinta. Pero la mayor parte de la

1:32 investigación biológica pienso que al en los tres próximos años no es automatizable. Justo hoy he recibido una noticia de un hospital de Estados Unidos que ha publicado que utilizando Parantir, esa plataforma de inteligencia artificial han salvado en los últimos años 800 [música] y pico vidas. Es decir, ¿cuál es el impacto real que está teniendo la IA en la ciencia? Alfonso, un placer tenerte aquí hoy. E vamos a hablar de muchas cosas, pero antes de nada, yo quería empezar un poco por bajar el hype o no, o ver si realmente eh esto está teniendo ese nivel, ¿no? Porque cuando hablamos de medicina, cuando hablamos de ciencia en la inteligencia artificial, está todo por las nubes, ¿no? Porque nos están prometiendo de cara a 2028 un

2:18 desarrollador científico autónomo con inteligencia artificial, etcétera. Y justo hoy he recibido una noticia de un hospital de Estados Unidos que ha publicado que utilizando Parantir, esa plataforma de inteligencia artificial, han salvado en los últimos años 800 y pico vidas. Es decir, ¿cuál es el impacto real que está teniendo la IA en la ciencia? Bueno, creo que hay que un poco diferenciar entre el impacto en la ciencia y el impacto en la medicina. El impacto en la ciencia, ver detalles y ver casos específicos, creo que es es obvio y es eh transformativo. Se están haciendo cosas de un modo que es distinto, como se estaba haciendo antes. El impacto de la medicina es más complejo de medir porque es un proceso, está integrado dentro de los sistemas médicos, dentro de los sistemas de los

3:04 hospitales y aunque haya desarrollos que son muy potentes cuando se publican, luego llegar a implementarlo realmente en un sistema, en un hospital y cuantificar como en este artículo que que dices, eh personas salvadas es bastante más difícil. Digamos que en sanidad pienso que como en otras industrias la transformación de los procesos es muy lenta y por tanto la implementación de nuevas tecnologías va a costar más. No es simplemente poner un software nuevo, es cambiar la forma de hacer cosas y eso en un sistema tan complejo como un sistema médico es difícil. Por tanto, pienso que vemos menos eh de lo que podría ser si los sistemas médicos fueran más fáciles de

3:49 de manipular o de de implementar cosas. Pero en ciencia, en al menos en la parte que yo conozco en biología, el impacto en biomedicina el impacto es muy grande porque podemos hacer cosas que son insospechadas, podemos hacer cosas que hace 3 años o 4 años no hubiéramos pensado siquiera que era posible. Tenemos preguntas de los años 90 que están sin responder porque no había datos y recursos computacionales y obviamente métodos y ahora de pronto nos encontramos que tenemos los datos, los recursos computacionales y los métodos. O sea, que es eh es una época estupenda para hacer investigación en biología, porque de pronto tienes el eh eh instrumentos que no tenías antes. Claro, es que esto es una de las cosas que me parece superinesante cuando vemos datos bajados a tierra del impacto que está teniendo en ciencia, ¿no? Muchas

4:36 veces estos estudios son estudios que vienen derivados de haber utilizado inteligencia artificial durante x tiempo, ver los resultados y luego hacer un paper que los publique. Claro, eso quiere decir que vamos con un retraso sobre lo que se está haciendo a día de hoy. Es decir, cuando vemos noticias sobre el impacto que tienen ciencia o tienen medicina, eh estamos viendo un poquito lo que nos sale por el retrovisor, pero claro, esto está avanzado tan deprisa que lo que está pasando ahora mismo no va a estar en un paper hasta dentro de un año o hasta dentro de un tiempo que nos lo publiquen, con lo cual las ganancias son aún mayores de lo que son los titulares, ¿no? Bueno, esto siempre ha pasado en ciencia. Obviamente las publicaciones van por detrás de los descubrimientos a medida que el tiempo se acelera, tal y como dices, van es más difícil que alcanzar a esa liebre corre tan rápido a

5:22 la velocidad a que vamos. Por tanto, sí hay más ahora mismo eh nuestra capacidad de sorpresa ya está al límite, ¿no? Abres la otra revista y te encuentras, ah, han publicado no sé cuánto y tal. A medida, además que muchos de estas e inventos nuevos, descubrimientos nuevos vienen de compañías que no sabes muy bien qué es lo que están haciendo, el factor sorpresa es es quizá mayor, ¿no? Porque aún es más difícil saber qué estaban haciendo antes. Era mucho más fácil saber qué iba a pasar porque ibas a una conferencia y hablabas con otros colegas y sabías que estaba pasando. Ahora mismo es muy difícil saber qué está pasando en una compañía que está haciendo una cosa nueva. Pero en cambio, imagino que para ti está siendo una época dorada, ¿no? Una época de de como tú decías, de poder llegar a lo que

6:08 antes no había forma de llegar. Si tuvieses que explicar un poco el impacto de la IA en ciencia, ¿lo definirías como que la IA está eh ayudando a los científicos a ir más deprisa o ya estamos en un punto en que la IA está aportando nueva ciencia, está haciendo descubrimientos? ¿Cuál cuál sería la forma de definirlo? Obviamente está ayudando a hacer cosas más rápidas, ¿no? Puedes hacer resúmenes más rápidos, leer más literatura, coleccionarla, buscar cosas, también está estás sugiriendo ideas. Empiezas a escribir un proyecto y preguntas a una ella y tal y te acabas sugiriendo sugiriendo cosas. Eso está bien, eso es como una es como un ayudante, es el nivel mínimo, pero empieza a ser transformativo, empiezas a empezar a poder hacer cosas en campos en los que antes no podías hacerlas o hacer cosas de modo distinto del que de lo que de lo que lo podías hacer o a combinar

6:54 tecnologías que antes no podías combinar. O sea, que creo que hemos pasado de un mero e inteligencia artificial como una especie de ayuda para hacer las cosas un poco más rápido, a inteligencia artificial para hacerme pensar en hacer las cosas de otra forma distinta. Y aún creo que en esto no hemos llegado ni mucho menos al final. veremos un un grado de integración mayor, un grado en el que continuamente utilizarás sistemas de inteligencia artificial como una parte más de tu laboratorio en el que es un ayudante más y que interactúa con con interactuar con tus estudiantes, con tus protoctorales, con tus ingenieros, interactuar con tu guía y todos interactúan entre ellos, o sea, como un componente más del sistema que te hará pensar en hacer las cosas de una

7:39 forma distinta, pero siempre dependiendo del científico, es decir, que es que en los años que en los próximos, ¿quién sabe qué va a pasar? No, en los próximos en los próximos años creo que sí que seguirá dependiendo de los científicos. Habrá áreas en las que no habrá áreas que se podrán automatizar si no totalmente en buena medida, ¿no? estas áreas en las que hay un gran conjunto de datos, hay un sistema automatizable, robotizable que va a generar resultados sobre esos datos y va y puede seguir haciendo investigaciones, a lo que puedes imaginarte en un caso de química o o de screening de algunos compuestos, ese tipo de cosas, esos quizás sean completamente automatizables, pero la mayor parte de la investigación

8:25 biológica pienso que al en los tres próximos años no es automatizable. en 5 años, en 10 años, ¿cuánta parte va a ser automatizable? Esto es una buena pregunta que a la que a mí también me gustaría saber cuál es la no sabemos. No, no lo sabemos porque además el eh la biología, a diferencia de otras de otras áreas de de la física que están mejor conocidas en datos sobre sistemas físicos o sistemas mecánicos, los sistemas biológicos siguen siendo un área de descubrimiento. Si todavía no estamos seguros de cuántos tipos celulares tenemos o no tenemos información sobre todos los órganos, es difícil pensar que vayamos a automatizar todo para generar hipótesis sobre todo y tener conocimiento, sistemas integrados para todo. Por tanto, como falta

9:12 conocimiento y faltan conceptos básicos y estamos descubriendo todavía cosas, es mucho más difícil pensar que todo se pueda reemplazar automáticamente porque es un nivel de generación de de hipótesis, conocimiento y abstracción. mucho mayor. Claro, porque ahí yo te iba a preguntar e cuál es el problema que tú estás intentando resolver, o sea, en general como biólogo para que la gente entienda tu trabajo, ¿cuál es el objetivo de tu trabajo? Eh, o sea, esta es una gran pregunta que tiene una tiene una contestación no tan trivial. El objetivo más global de nuestro trabajo es intentar entender cuál es la base molecular de los procesos biológicos. Y procesos biológicos, en la mayor parte de los casos a los que nos

9:58 referimos son enfermedades. Es decir, ¿por qué pasa una enfermedad? Porque una persona tiene una enfermedad explicado, no desde un punto de vista fenomenológico, porque tiene un virus y no sé cuántos, sino qué está pasando internamente, cuáles son los procesos moleculares, qué se desencadena para tener una enfermedad y lo traducimos en buena medida a que porque después de haber tenido una enfermedad tienes más o menos probabilidades de tener una segunda enfermedad, decir cuál es la trayectoria de una enfermedad, pero no desde el punto desde el punto de vista estadístico. Esto pasa estadísticamente, que una es otra. Lo que nos interesa es entender cuál es internamente los procesos moleculares, qué proteínas, qué genes se han activado y se han desactivado para producirlo. ¿Por qué? Porque el objetivo final de la biología es el conocimiento mecanístico, cómo

10:43 pasan las cosas. ¿Por qué? Porque si no conocemos cómo pasan las cosas, no vamos a ser capaces de intervenir de un modo racional en esas cosas. ¿Qué instrumentos vas a necesitar? suficiente información genómica, las imágenes, los procesos, suficiente computación, pero esto no, esto va a ser complejo en en cualquier caso, y tecnologías que te permitan pasar de esos datos a esa forma de cómo os pasan las cosas, porque una proteína activa otra proteína que cuando no funciona producente la mutación y no puede activar la siguiente y se produce un determinado freno. ese proceso mecanístico es lo que nos interesa científicamente yente la aplicación son enfermedades. Y y ¿en qué punto estamos de entender la biología? Es decir, ¿estamos muy pronto

11:30 o ya sabemos mucho del humano? Esta es una pregunta difícil porque como no sabemos cuánto es todo, es muy difícil saber dónde estamos, ¿no? Pero ciertamente el progreso desde que se han empezado a automatizar una serie de técnicas, principalmente la genómica en sus muchas variad variedades y y diversificación, hemos mejorado mucho. Ahora, por primera vez tenemos datos de cómo está compuesto un órgano en varias personas cómo se interaccionan distintos procesos. Digamos que estamos al final de la del paleolítico de la biología. O sea, esto desde cuándo más o menos para que yo entienda, o sea, entiendo que desde desde la explosión de la genómica. A partir de los años, del final de los

12:16 años 90 empieza a industrializarse el proceso de producir genomas, que era lo primero que se iba a producir. Nívmente pensamos que con los genomas se va a resolver todas las cosas. Que no es cierto y ahora podemos hacer genomas de células individuales. Esto ha sido una tecnología muy fundamental. Una cosa es secuenciar un genoma de una persona, que es un genoma durante toda la vida, dicho así en principio. Y otra cosa es ver cuál es el nivel de expresión de cada gen en cada célula. Es decir, nuestras tenemos un solo genoma para todo nuestro cuerpo. Todas nuestras células tienen, dicho, de un modo general, todas el mismo genoma, pero luego tenemos distintos tejidos y distintos órganos porque esa expresión de esos genes que están en esos genomas se ha modulado a lo largo del desarrollo de modo distinto y ha dado lugar a un

13:03 determinado tejido o un determinado workcado. O sea, que esto es mucho más complejo de lo que parecía, ¿no? Yo recuerdo en los 90 que se hablaba de que cuando descubriésemos el Genova ya estaba todo solucionado y aquí lo que hemos hecho la primera parte un mundo a un mundo nuevo, ¿no? Na, que somos los científicos que realmente pensamos que con esto hablamos de conociendo el genoma, veremos la entenderemos las enfermedades, pero ahora nos damos cuenta de que no, de que tenemos que hacer mucho más y este tipo de tecnologías podemos ver cada en un tumor, intentar ver o poder ver cada célula del tumor que son distinto tipo celulares, por estar el sistema inmune y las propias células del tumor y las células normales y tal, cada célula individual que está expresando en un determinado momento y poderlo seguir. Ese tipo de resolución a nivel celular

13:50 es no lo teníamos hace unos años, ahora empezamos a tenerlo, pero hay muchas más técnicas. La la la genómica se ha expandido en muchos distintas distintos tipos de técnicas que nos hacen tener información completa. Ahora se habla de los atlas, ahora tenemos el atlas del pulmón, el atlas del riñón, el atlas del no sé cuántos y empezamos a tener esa información que empieza a ser interesante para poder modelar los sistemas y poder tener ese conocimiento mecanístico que queremos tener para poder saber a qué nos debemos que a qué proceso nos tenemos que dirigir para tratar una enfermedad determinada de una persona determinada. Y el y el objetivo final es entender para poder tratar o para poder evitar o para poder curar. No entiendo que el hecho de entender a el humano o la biología en sí mismo nos va a dar la

14:36 información necesaria para saber qué va a hacer esta enfermedad y con lo cual poder evitar que lo haga o poder directamente erradicar esa enfermedad de que no aparezca, ¿no? Entiendo que ese ser un poco el objetivo. Este es el este ha sido siempre el objetivo de la de la biología, la biología molecular, entender los procesos para poder controlarlos. Siempre hemos dicho y pensado y sigo pensando que si no los entendemos y no somos capaces de modelarlos, no vamos a poder controlarlos y no podemos controlarlos si no podemos modelarlos y no los conocemos si no podemos moderarlos. Estas cosas estaban relacionadas. Ahora todo esto de pronto empieza a tambalearse un poco porque ahora podemos tener un sistema de machine learning, una inteligencia artificial que aprenda de los datos y nos diga cómo tratarlo y no sap y no

15:22 sepamos nada del proceso intermedio. Y ahora aquí empieza una interesante discusión acerca de [resoplido] hasta qué punto es esto adecuado, hasta qué es posible, es válido. Es válido. Bueno, primero es válido a nivel regulatorio. Podemos aprobar un medicamento sobre el que no sepamos cómo funciona. Pero pues sí se ha hecho porque las aspirinas no sabíamos muy bien cómo funcionaban y se la aprobado. Se puede hacer, pero tiene sus complicaciones hacerlo. Queremos hacerlo, queremos fiarnos a este tipo de o vamos a ser capaces de hacer una ingeniería y aquí abre todo un tema en el que combinemos ese conocimiento eh analítico, un determinista mecanístico con una inteligencia artificial. Hacemos que la inteligencia

16:08 artificial se explique en términos mecanísticos. Hacemos que la inteligencia artificial esté constrñida a los límites de lo físico y de lo y de y de lo real, de lo biológico. ¿Cómo hacemos todo esto? Es decir, ¿cómo cómo combinamos la potencia del aprender sin saber cuáles son las reglas reales con las reglas reales que necesitamos conocer? Aquí es este es uno de los grandes debates en todos los aspectos de los que hablo con inteligencia artificial, con toda la gente de todos los sectores. Da igual que sea desde alguien muy corporativo en un banco hasta un científico, hasta alguien más eh enfocado en la parte emocional de la inteligencia artificial o de cómo nos vamos a relacionar con ella, ¿no? Pero al final lo que siempre acaba saliendo es vamos a tener que exigir explicabilidad a la inteligencia

16:53 artificial y durante cuánto tiempo. Porque claro, si esto sigue progresando al nivel que está progresando y que estamos viendo que ahora ha pasado de ser algo en lo que no te podías fiar, a ser algo que te puede ayudar, a ser algo que empieza incluso a hacer ciertos descubrimientos en sí mismo, como esto existen matemáticas, etcétera, claro, ¿quién nos dice que mañana no seremos un lastre intentando hacer que nos lo explique, ¿no? Entonces, en cambio, aquí la historia será, ¿qué quieres hacer? ¿Que curemos esta enfermedad sin tener ni idea cómo lo he hecho cómo lo he gestionado, pero que funciona porque pragmáticamente vemos el resultado o quieres que te lo explique y tardemos el doble de tiempo en en llegar a eso? Me da la sensación de que nos vamos a encontrar con esa ese momento de decisión, ¿no? De de querer darle rienda suelta y aprovecharnos de los beneficios, que es un poco como un regalo de los dioses, ¿no?, que a veces dicen, o si vamos a exigir estar al

17:42 mando y al control, aunque eso suponga que no puedo hacer tantas cosas, ¿no? Y creo que es un debate interesante. Es es es un debate interesante y es muy difícil es muy difícil decir que no a una solución barata a un problema real. en en virtud de quiero conocer cómo funciona simplemente, incluso moralmente hablando es difícil decir que no aquella gente que padece la enfermedad, ¿no? Y en la práctica es imposible decir que no. No, eh, no va a ser tan fácil porque em el número de casos que vas a poder resolver de esta forma y además vas a tener capacidad para intervenir, es muy difícil que no requieran el conocimiento de aspectos intermedios que tienen que ver con la

18:28 explicabilidad. Si solo es hacer eh decir cuál es el resultado de una de una situación, llevas a medicina dados estas e dada esta trayectoria de un paciente, dime qué enfermedad vas a tener después. Esto ya hay publicaciones que entrenando con las trayectorias de los pacientes eres capaz de predecir a 5 años vista qué enfermedad vas a tener. Tampoco es tan inconcebible porque sabes que llevas una trayectoria que acabas teniendo enfermedad, pero eso se puede hacer y se valida el sistema y tiene pinta de que es bastante estable claro, esto no esto te da muy pocas opciones de intervención. puedes monitorizarlo si es un cáncer, lo p no sé cuánto y tal, pero no te está diciendo cómo atajarlo. El atajarlo requiere algo más de conocimiento entre

19:14 medios. Entonces es bien posible que la esto es el problema de la explicabilidad, ¿no? Es es bien posible que la explicabilidad que obtenemos de los sistemas actuales sea insuficiente para para hacer intervenciones. Y aquí viene la justificación de por qué necesitas otro tipo de otro tipo de tecnologías que complementen lo que no va a poderte dar los sistemas generativos que estamos usando. También hay que pensar que estamos usando la tecnología que tenemos porque es lo que tenemos. Exacto. Pero no tiene por qué ser la tecnología adecuada para resolver estos problemas. Y es bien posible que al cabo de la esquina nos encontremos con otra tecnología y digamos, "Qué barbaridad, cómo estamos haciendo esto." Correcto. Probable que veamos una idea que sea perfectamente explicable y que a

20:01 día de hoy estemos con esta y nos parezca que es el futuro, pero no lo sea. E en el mundo de la ciencia y la biología lleváis utilizando inteligencia artificial muchísimo tiempo, ¿no? Machine learning, deep learning, etcétera. O sea, imagino que tú llevas décadas en esto y no es la primera vez, ni mucho menos con este boom que está viendo ahora, pero sí que parece que ha habido un antes y un después. ¿Cuándo es ese momento en que tú notas en tu día a día dices? Nosotros siempre, o sea, como como bien dices, el la biología computacional, la informática es en buena medida una traslación de métodos computacionales que se desarrollan en el ámbito de la ciencias de la computación a problemas biológicos. El tiempo de traducción, cuánto tardaba una nueva tecnología en adoptarse, pues podían ser décadas, ¿no?

20:46 De pronto e cadenas de marcos forcultas y de marco chains, pues existían durante hace años. de pronto alguien se le ocurre usarlas en biología y produce una transformación real en biología, una transformación a nivel científico. Lo que pasa es que esos tiempos se se estaban acortando continuamente con la más más con la llegada de más eh personas de de la mitocomputacional a la biología, sus tiempos han acortado a partir de de Deep Mind eh Alphaf. Quizá es el momento en el que esto se hace evidente. Se hace evidente que por primera vez un método computacional va a resolver en buena medida un problema bien definido en neología. Esto pasa en el año 22, 21, 22.

21:32 Vos explicar si te parece Alfa Fall para la gente que no lo conozca. Esto es una tecnología que desarrolla Deepmind, una startup que en ese momento es participada por Google, ¿no? Fundada por Elon Mask, por cierto, y que es liderada por Demis Hasabis, que es a día de hoy el CEO de la parte de de de Google en general, ¿no? Pero expliquemos qué es Alphafold y qué problema ataca. Durante decenios nos hemos preguntado por un problema que en principio es un problema muy teórico, muy abstracto, muy, ¿cómo decirlo? muy científico es el problema. Eh, los genes producen proteínas, es decir, nuestros 20,000 genes producen 20,000 proteínas, que en principio son los factores activos en una en un un híbrido, en una célula. La proteína que

22:17 hace X. Esas proteínas son una cadena de polipéptidos que tiene una unas se forma por un 20 componentes, 20 tipos de componentes distintos y las ponemos cuando secuenciamos un gen, obtenemos la secuencia de esa proteína. Esas proteínas son como pequeñas máquinas que hacen cosas y por tanto para hacer cosas adquieren una estructura tridimensional definida. Y sabemos que esto funciona porque podemos hacer un experimento, cogemos una proteína que no tiene está desplegada, la ponemos en condiciones adecuadas, en agua y un poquito de no sé qué y adquiere su estructura tridimensional. Es decir, se pliega en una forma que físicamente es una estructura. extremadamente eh atractivas, eh pues unas formas muy bonitas e las puedes representar en colores, en tres dimensiones y manipularlas. Son como

23:04 pequeñas esculturas que se mueven un poquito y además hacen cosas, transforman una compuesto en otro compuesto. Hacen todas estas todas estas funciones, son como muy atractivas eh des el punto de vista estético. El problema es que resolver esa estructura tridimensional hace hay métodos experimentales para hacerlo y es costoso y cada vez si mejor las tecnologías, pero aún así resolver una estructura de una sola proteína te puede llevar años porque es complicado. ¿Y para qué nos sirve saber cómo es esa estructura? Por ejemplo, sirve para diseñar fármacos, para diseñar compuestos, para diseñar nuevas proteínas, para saber cómo funcionan, para explicar una mutación en la proteína BRCA del cáncer de mama, cómo esa mutación hace que la proteína no no

23:49 superfuncione como raspe 21 cuando muta en un cáncer. El entender las mutaciones en las proteínas pasa por entender su estructura en muerte. O sea, una vez entendemos la estructura, pasamos a tener visibilidad y a poder tener capacidad de poder hacer cosas alrededor de ello, ¿no? Desde desarrollar un medicamento hasta toda la industria de desarrollar fármacos, de la biotecnología, de usar proteínas para hacer cosas o toda la explicación de las mutaciones y de ese tipo de cosas pasan por conocer las secuencias y la estructura de proteínas. Es decir, el primer paso para poder hacer cualquier cosa es pasar por entender esa estructura tridimensional. Y esto es algo que nos llevaba años hacerlo. Años hacerlo. De hecho, se la primera parte, pasar de los genes a las proteínas es el códigio genético, eso choa y los premios Nobeles y tal y eso

24:36 es un problema como bien fácil. Ahora mismo es un problema trivial. Tienes la secuencia del genoma y pasas a la secuencia de la proteína. Dicho también hay siempre en biología siempre hay excepciones, pero bueno, en modo general es así. Una vez que tiene la estructura, sin embargo, esa segunda parte, ¿cómo es la estructura, pues no? pues se hacía experimentalmente y desarrollábamos métodos computacionales. Llevamos decenas de años haciendo métodos computacionales que han ido avanzando y hemos hecho progresos, pequeños progresos, pero estábamos como, si lo pongo en números, como al 70% de resolución del problema por poner un número. Es una forma una forma de hablar. A partir del año 20, Dipine empezó a desarrollar otra visión nueva basada en cosas que se habían hecho antes, pero con una nueva forma de codificar de

25:23 redes neuronales profundas que empezaron a ponerse de moda por aquella en aquella época y produce un avance muy importante, pero no llegar a resolver el problema. para el año 22 reconsideran la forma de hacerlo todo y cambian su su arquitectura y y hacen cosas que no son inconcebiblemente complejas, pero sí muy difíciles de poner juntas. Esto no es una revolución conceptual de esto haciendo una cosa que es muy distinta, sino ha una ingeniería muy buena y básicamente resuelven el problema al 95%. Es decir, consiguen una IA que es capaz de dándole una proteína, predecir cuál es su estructura tridimensional con un 95% de éxito, ¿no? Y además son capaces de decir para cada

26:11 trocito de la proteína, para cada parte, con qué fiabilidad está predicha. No solo te dice esta proteína está predicha al 90% de fiabilidad, sino este trozo está al 70 y este está al 90. Okay, esto es una esto es una propiedad muy interesante. Esto es como si al chat GPT le predijamos en cada frase, esta te la puedes crear el 70%, esta créatela al 90%. Esto sería y no lo podemos hacer con el chat GPT, pero sí se puede hacer con proteínas y es una de las pocas áreas en las que se puede hacer. Entonces, de pronto esto es transformativo. Podemos empezar a y ya está en las bases de datos para todas las secuencias que tenemos, todos los genomas que tenemos, tenemos las proteínas y tenemos un modelo predicho con un nivel de fiabilidad, que de hecho es tan bestia, o sea, para que la gente entienda eh cuántas proteínas hay. Bueno, tenemos los humanos tenemos en

26:57 principio una proteína para cada gínas distintas, pero cada organismo tiene una parte de su genoma, es cuánto, es un genoma de una planta que tiene que son enoros, que tiene un montón de proteínas más. O sea, que la colección de proteínas posibles de proteínas reales es muy grande, son millones de proteínas. Pero es que ese mismo 2 años después, en el 22, 20 2022, se publican otros sistemas que en vez de hacerlo como lo hacía Deep Mind con una red neuronal y deslazando el proceso, utilizan modelos de lenguaje como lo del chat GPT, en los que en vez de entrenar con texto para que produzca texto, entrenas con esas 20 aminoácidos y produces proteínas. Y ahora ya no solo podemos tener las proteínas producidas

27:43 en el mundo natural, sino podemos tener cualquier proteína. Claro. Claro. Entonces el número es infinito. Podemos generar un infinito número. Claro. Y yo recuerdo viendo el documental de Deep Mind, que lo recomiendo todo el mundo, además es un documental que estaba público en YouTube, no se seguirá en YouTube públicamente, pero que en cuestión de días metió 500 millones de reproducciones. Es una auténtica locura. Es un documental muy interesante que dura apenas 45 minutos. Y recuerdo una escena que porque todo este proceso lo grabaron, ¿no? Y recuerdo una escena que están en el despacho ahí en la sala de reuniones donde ya han conseguido resolver el problema y del equipo le dice, "Sí, hemos conseguido resolver el problema tal hasta ahora cuando alguien necesitaba la predicción de la proteína, la solicitaba y alguien se ponía a trabajar en ello. Hemos habilitado una especie de sitio donde nos puedan pedir que la predizcamos y entonces Demis como que dice, "Pero, pero qué estáis

28:29 diciendo si esto es tan fácil y tan barato, hazlas todas." Y entonces llegamos al punto de que a día de hoy eh Deep Mind ha conseguido predecir todas las proteínas y están disponibles, todas las que entiendo que son conocidas y están disponibles y Denisabis dijo en Davos no hace mucho que si eso lo hubiésemos hecho con científicos humanos nos hubiese llevado 1000 millones de años y esto lo han hecho en Está está bien. Es cierto que ellos querían tener Premio Nobel y no iban a tenerlos si no hacían públicas las estructuras de las proteínas. eh un fin es un fin noble, ¿no? De nuevo son las las proteínas reales, las conocidas, más todas las que podamos inventar. Las que podamos inventar es muy importante porque nos permiten preguntarnos por qué solo vemos algunas, se han producido las otras durante la

29:15 evolución, qué nuevas funciones podría haber existido o no haber existido. Es decir, el complemento irreal, real es el que nos permite hacer cosas, preguntarnos cosas de por qué lo que existe existe, por qué no existe lo otro, cómo podemos complementar las funciones. O sea, que hay mucha ciencia detrás de poder complementar lo conocido con lo desconocido. Dicho esto y habiendo resuelto, primero es un avance fundamental y ahora todo el mundo usa las estructuras públicas más las predichas más obviamente tú lo agradeces no solo tien las proteínas naturales, sino que quieres hacer unos cambios y haces y haces nuevas predicciones. O sea, que continuamente se usan alpha fol y sus derivados y versiones posteriores y demás.

30:00 Esto, dicho esto, esto resuelve para una determinada clase de proteínas, pero los problemas científicos alrededor de la estructura de las proteínas están más allá. Nosotros no queremos solo la estructura de una proteína aislada, queremos la estructura de una proteína cuando funciona como máquinas en conjunto con otras máquinas. Estructura de de grandes complejos. Esas hay nuevos métodos también. Alfa Alfa ha derivado métodos para esto y otros grupos han derivado métodos para esto, pero es un problema mucho más difícil de resolver. ¿Cómo funciona? una proteína de la que puedo predecir estructura, puedo predecir de varias, cómo funcionan en conjunto. Por tanto, es bueno pensar que es un cambio muy grande y que nos permite hacer cosas que no podíamos hacer antes, pero que ni mucho menos ha agotado los problemas en ese

30:46 yo, claro, quedan muchos más por resolver, ¿no? Pero e estamos de acuerdo si decimos que Alpha Fold es quizá lo más importante que ha hecho la inteligencia artificial por el mundo. Yo suelo decir esto, suelo decir que es la única cosa que es constatable. Podemos constatar que se ha resuelto. Podemos comprobar que se ha resuelto y tiene unos números que nos dicen cómo se ha resuelto de bien. Otras cosas, eh, producir imágenes, producir diagnósticos, las evaluamos, pero resuelven, que estamos muy seguros de si son extrapolables a otro entorno, si van a funcionar con otro conjunto de datos. Hay siempre hay muchas dudas y en este caso es un problema que hasta definido en sus límites, el programa el problema de una forma acotada sí podemos decir que se ha casi resuelto por dentro sí.

31:32 Yo lo uso como el ejemplo del mayor y quizá único caso en el que es un avance indudablemente debido a la inteligencia artificial, que además tiene pocas e contestaciones eh negativas eh o si Bueno, pues ha resuelto el problema, nos permite avanzar, nos sigue planteando preguntas más hacia adelante, puede plantear preguntas sobre cosas de cómo funciona, que también son interesantes de de de investigar, pero es un avance definitivo para un estudiante que empezara la tesis antes de Alpha Fall y después de y antes de para un estudiante que empezara la tesis, cuando Alpha Fall sale, todo lo que va a hacer va a ser completamente distinto. De hecho, el planteamiento de su tesis va a ser distinto. O sea, que

32:18 sí que es transformativo, sí que no tiene muchas cosas negativas que podamos pensar sobre él, críticas negativas en el en impacto y y y es eh un instrumento muy potente. Espero que estés disfrutando de este podcast. Como sabes, Infoobs es nuestro patrocinador y viene a proponerte algo que seguro que te interesa. ¿Te imaginas poder cobrar 1000 € por venirte a uno de mis podcast de inteligencia artificial? Pues eso es exactamente lo que hemos preparado junto a Infoshops. Si te apasiona la IA, te pasas el día probando herramientas nuevas, viendo vídeos sobre inteligencia artificial o simplemente tienes curiosidad por entender hacia dónde va el futuro, esta oportunidad es para ti. Buscamos a una persona que quiera venir a nuestro estudio, vivir una grabación desde dentro, conocer al equipo y pasar un rato conmigo hablando de inteligencia

33:04 artificial, tecnología y todo lo que está cambiando en el mundo. Y sí, [música] además, Infojobs te paga por ello. ¿Qué incluye este Cool Jobs? Pues bien, 1000 € netos por un día de experiencia, acceso VIP a una grabación del podcast de inteligencia artificial. Además, puedes venir acompañado por la persona que tú quieras. Meet and grit conmigo para hablar, charlar, hacerte fotos y preguntarme lo que quieras. Además, también el viaje de ida y vuelta está incluido desde cualquier punto de España y el alojamiento también incluido. Y una cosa importante, aunque la oferta aparezca en Madrid, puedes apuntarte desde cualquier lugar de España, porque nosotros nos encargamos del viaje y del alojamiento. Si te gusta la inteligencia artificial y quieres vivir una gran experiencia, inscríbete ahora a través del enlace que tienes en la descripción, el comentario fijado o

33:50 el QR en pantalla. Además, puedes entrar a Infojobs desde la web o desde la app, escribir en el buscador John Hernández y te aparecerá la oferta de trabajo. No te pierdas esta oportunidad y nos vemos aquí en el podcast. ¿Qué consideras del hecho que le dieron un premio Nobel? Porque te he visto antes comentar que que bueno que querían el Premio Nobel y con lo cual lo hicieron de forma como porque entiendo que les daba una validación a Deep Mine en sí que aquí pasó. Sií, aquí pasó algo que fue la sociología de estas cosas, los premios Nobels y tal tapa mucho, ¿no? Y el anecdotario variado y tal. Primer Nobel, como se como sabes, se divide en dos partes, una para para Deep Mind y otra para David Baker. De Más por la parte de Alpha Fall y que el método eh David Baker, que lleva

34:38 todavía en este campo y es un científico muy destacado más por la parte de haber hecho ingeniería sobre este tipo de cosas. Desde el punto de vista de la comunidad fue un poco frustrante. Las comunidades siempre están un poco frustradas con los pies del Nobel porque no agradecieron mucho ni que habían sido posible gracias a que estaban las colecciones de protecturas, es decir, que los cristalógrafos y los y las bases de datos habían acumulado y anotado y mantenido todas las estructuras de proteínas y sin eso no podían haber hecho nada. Claro, el entrenamiento, ¿no? Al final fue lo que se entrenaron eran lo que ya se había hecho por parte de humanos en décadas, ¿no? Con Exactamente. Un conjunto único quizá de entrenamiento. Por eso las compañías no muy grande, por cierto, ¿no? El el conjunto de entrenamiento, a diferencia de lo que tendemos a pensar en la IA generativa, que es que se entrenan una

35:24 cantidad de datos brutal y de ahí saca esas capacidades emergentes. En el caso de Alphafall, por lo que estuve viendo en el documental, eh precisamente un dataset pequeño. una de las características de haber hecho algo que ha hecho muy bien un trabajo muy complejo, muy abstracto, a pesar de tener un entrenamiento muy limitado, porque no teníamos tantas, pero eran datos de mucha calidad que cubrían un espacio muy grande, que las estructuras estaban rodeadas de muchas secuencias que daban la misma estructura. Por tanto, tú no solo aprendías de esa proteína con esa estructura, sino de todas otras proteínas parecidas que sabes que van a tener la estructura. Por tanto, eran miles de de estructuras y millones de secuencias. O sea, que no era no era no era un conjunto no era un conjunto quizá tan grandes como otros, pero mucho mejor y estaba mucho más distribuido en el espacio, cubrían

36:10 espacio mucho mejor. O sea, que las proteínas por razones totalmente inesperadas se han convertido en un conjunto estupendo para entrenar mecanismos de inteligencia artificial. Estas cosas no puede uno cuando uno trabaja en proteínas que era un área minoritaria jamás pudo imaginarse era imposible que esto me dicas hace 20 años que las grandes compañías iban a trabajar en proteínas es que es absolutamente absolutamente impensable esto a nadie se le hubiera podido ocurrir algo como esto, ¿no? El el Entonces ellos eh desarrollan el método, no agradecen mucho. Así ahora siempre que Jebla habla de las las estructuras y tal, no sé cuántal, pero inicialmente

36:56 muy poco reconocimiento a la comunidad y a la comunidad ellos demuestran su método en CASP, que es una competición de evaluación de estructura de proteínas reunido durante 2 años, cada dos años durante muchos años en la que hemos contribuido como evaluadores y como predictores toda la comunidad y hemos desarrollado las ideas en las que luego han basado al fafor. Claro, de lo cual inicialmente no hay mención siquiera, lo cual ha sido muy ofensivo para la para la cubrida. En el momento que a pensar que tiene que hacer el método accesible porque si no si lo mantienen como aplicación y no hacen el método accesible y los datos accesibles van a estar muy mal vistos. El método accesible al final no era tan importante porque a los pocos meses ya se ha podido reproducir. El otro grupo que lo

37:41 reproducen no era mucho problema. La capacidad para hacer todas estructuras no es solo suya. La la la base de datos que mantiene las estructuras en el laboratorio europeo de biología molecular es la base de datos donde están las estructuras. O sea, es que esto es un esfuerzo conjunto entre un laboratorio público europeo y Deep Mind para mantener esa base de datos de estructuras. En cualquier caso, publican la segunda edición de Alphafold y no lo hacen pública. No hacen público el software hasta el punto de que se publique el paper en Nature sin revelar el código. Los referis protestan porque esto no puede. ¿Cómo voy aar un paper si no puedo acceder al código para aprobarlo? Esto crea un gran escándalo y al final acaban haciendo el

38:26 código, publican el payer a pesar de todo y acaban haciendo el viendo que no iban a conseguir el premio Nobel, acaban acaban haciendo público el software también de la segunda versión de Alpha Fall. O sea, que eh esto es nuestra interpretación de la comunidad conociendo lo que pasó con el Payper y todo esto, ¿no? Lo que hagan el comité no ve no lo sabe nadie. Quo decir que está muy bien que lo haya hecho público y es de agradecer, pero han ido siempre reluctantemente hasta que hayasado el peran bonito como parece. No es tan bonito, no es tan bonito como parece. Siento siento no ser más positivo respecto a esto, pero le ha venido muy bien, pero yo creo que refleja una cosa que es muy cierta en el mundo de la IA, que es que al final estas empresas son grandes

39:13 corporaciones que persiguen sus intereses y que a veces quedan muy bien sobre los medios en las noticias por cosas que están haciendo, pero que no las tenemos que olvidar que son campañas absolutamente orquestradas de imagen. Entonces, al final a Deep Mind le ha venido muy bien tener esa imagen porque ahora se les ve como el laboratorio más científico, más tal. El Premio Nobel ha hecho más por Deep Mine que Deepmine por el Premio Nobel. Quiere decir que al final esto no deja de ser una campaña de autoridad pública que permite que gente como yo, que no tenemos ni puñetera idea del tema eh lo veamos como decir, "Hostia, esto tiene que ser importante porque os han dado un premio Nobel." con lo cual esta gente sabe lo que hace y con lo cual a la hora de elegir si utilizo Chat GPT o Gemini es muy probable que eso tenga un peso en mi decisión y con lo cual que es un valor para ellos, ¿no? Con lo cual está muy bien que los que estáis ahí metidos en

39:59 el ojo dijáis, señores, que esto no es tan bonito como para dim que empezó como una compañía muy independiente haciendo cosas muy aventuras, uno grandes aventuras, jugar al go, jugar no sé qué tal, no sé cuántos y es muy interesante. Já es una persona muy interesante y su forma de de ver todo esto es muy interesante y su progresión por qué han ido haciendo unas cosas y otras es superinesante, pero al final se han vuelto tan visibles y públicos y tal que han sido absorbido por Google prácticamente completamente y ya se va ascendido a a ot a otras obligaciones y a otro tipo de ¿Qué opinas de Jasabis como porque al fin y al cabo este tipo se nos vende como que es un genio y es [carraspeo] un genio. Yo creo, yo sinceramente vamos es que haya hablado

40:44 muchas veces con él, pero a veces que habla con él es un genio, sin duda. O sea, yo creo que sí, tipo es un tipo superlisto. Ah, inspirado. Yo creo que es verdad que él está inspirado, al menos hasta ya lo que haga ya en Google ya no lo sé, pero hasta entonces inspirado por el deseo de conocer cómo funciona el cerebro humano. Y como no estaba por la labor de distripar cerebros humanos y le parecía muy complicado que se iba a hacer hacer progresos así, se ha dedicado a cómo funcionan los cerebros en computacionales y toda su progresión era enfrentarlo a problemas en los que no se podían resolver por cálculos, se podían ofrecer por inducción, por estrategias, por otro tipo de cosas. El origen de Alpha Fall, al menos contado por él,

41:32 es un juego que eh se llama Folding at home, en el que tú en tu ordenador en casa te daba una estructura de una un fideo que era una proteína y tenías que producir la estructura tridimensional, plegarla. [resoplido] Sorprendentemente, los las personas en casa sin ningún conocimiento de física y sin ningún instrumento de cálculo, empezaban a plegarla y conseguían plegamientos que eran muy realistas. porque de alguna forma era intuitivo. Tampoco hay me es difícil saber porque nadie podía plegarlo, pero lo plegaba. Entonces él pensó que había una parte de intuición y por eso después de jugar a un juego que se juega por estrategia jugaban a un juego que se juega por intuición. Por eso entraron en el problema de las proteínas. Eso es lo que lo que él

42:17 cuenta. Me parece, quiero pensar que es verdad y me parece me parece una idea fascinante. Interesantísimo, ¿no? Salirse un poco del go para irse a toda esta parte. Oye, hablando de Alpha Fall, que sin duda tiene un impacto increíble y todo lo demás que venga con ello y todo lo que se ha derivado de ello, que creo que es brutal. E más recientemente se ha publicado Alfaginom. ¿Cuál es la diferencia? Bueno, pues que entrenar con proteínas, como decíamos, hay millones de proteínas, las estructuras están bien determinadas, cubre un espacio de una forma consistente, o sea, es un conjunto de entrenamiento estupendo. Los genomas son un conjunto de entrenamiento fatal, son muy grandes, eh enormemente grandes. Eh, pequeñas variaciones en cualquier letra del código puede

43:02 producir consecuencias. No tenemos tantos genomas de los que conozcamos las consecuencias. Es un conjunto de entrenamiento muy difícil, muy difícil. Entonces, y lo que quieres predecir no es algo que es una estructura como muy definida que puedes evaluar exactamente, quieres predecir consecuencias para la enfermedad, que es como una teoría mucho menos definida. Entonces, es un punto mucho más difícil y predecir las consecuencias de mutaciones es mucho más difícil que con estas eh herramientas que predecir la estructura de las proteínas. Por tanto, lo que podemos obtener de predicción de las consecuencias de mutaciones es mucho menos útil y funciona mucho menos bien porque te el cóputo está menos definido, te sales enseguida con cosas que no has visto nunca y están fuera del rango de

43:48 predicción y no puedes predecirlas. Entonces es menos útil, es menos aplicable y es un problema más difícil. ¿Y crees que si lo resuelven? Porque Alfa por lo que presentó Dim que igual hiciera un poco de bombo y platillo, pero hablaban de que era tan transformacional como Alpha Fold en sí. O sea, ¿crees que hay menos posibilidades de éxito de que sea útil para la comunidad científica? Sí, porque para empezar nuestras enfermedades en muy poca medida dependen de nuestro genoma. Hay casos en los que sí que una mutación en concreto da una enfermedad, esto sea una una enfermedad rara, encuentras una sola mutación, es la que da el fenotipo a la enfermedad, pero en general una enfermedad es un conjunto muy complejo de mucación, eh, de cambios y no todo

44:36 tiene y la parte genética de una enfermedad es solo un pequeño porcentaje, aunque intervienen factores externos, el ambiente, el desarrollo y este tipo de cosas. Una enfermedad pulmonar viene muy determinada por cómo ha sido el desarrollo de los pulmones del niño. Eso no está en el genoma del niño, aunque hay una parte que sí, o sea, es solo una proporción. Por tanto, conocer los genomas no es suficiente para decir todas las enfermedades ni ni mucho menos. Aquí viene la desilusión de cuando se cuencian los genomas y pensamos que íbamos a resultar, ¿no? Y y para qué se meten en en intentar crear este alfa ginom. ¿Cuál es el objetivo? Bueno, porque el objetivo es más ambicioso. El objetivo es no solo usar la información de los genomas, sino usar la intentar decodificar toda la

45:21 regulación genómica. Es decir, al fin y al cabo, cuando desde nuestro desde el desarrollo embrionario temprano tienes un embrión que tiene una célula inicialmente y luego se va a expander a más células en el que hay unos factores iniciales y todo va a pasar, todo está codificado ahí, todo el desarrollo va a estar codificado ahí. O sea, que sí que hay la idea de que podemos reducir encontrar las reglas de la biología y deberíamos ser capaces de poder reproducir el proceso de desarrollo del proceso de una enfermedad, el resto de procesos. ¿Tenemos suficiente información para hacer esto computacionalmente solo con la secuencia de los genomas? No, no podemos reproducir el desarrollo solo con con la secuencia genoma porque no conocemos todas las señales intrinseca que están

46:08 implicadas. Las señales que están en la secuencia. Nuestro genoma es una secuencia. que contiene señales. Esto activa esto, esto activa esto otro, esto con esto hace no sé cuántos más unos componentes iniciales que hacen que todo esto se ponga en marcha. Es un problema programa problema muy complejo. Somos capaces de decodificar todas esas señales. En el caso de las proteínas, somos capaces de decodificar, entender las relaciones entre las cosas para que se pliegue. En el caso de del genoma, somos capaces de encontrar todas las señales y cómo se correlacionan entre ellas para dar lugar a un proceso tan complejo como el desarrollo. Pues todavía no. Y nos faltan elementos porque hay cosas que no sabemos. Podemos entender todas estas cosas en un sistema con de machine learning sin saber por qué pasan.

46:56 Podemos encontrar todas las correlaciones en entre todas las cosas. Pues no debería ser imposible porque no hay un límite que diga es imposible, pero simplemente ahora mismo no tenemos suficiente información para hacerlo. Y empieza a ver modelos fundacionales, intentan explicar parte de ese proceso. Puedo explicar cómo se qué genes se van a expresar en estas condiciones. Ocultado estas estas condiciones, este genoma y estas condiciones iniciales, ¿qué genes se van a expresar? ¿En qué tejido? Tenemos modelos fundacionales que empiezan a poder hacer esas cosas, pero yo creo que el el desarrollo completo es muy es proceso complejo, estamos todavía lejos de hacerlo. Tener las secuencias, la serie de información y predecir eh si esto va a dar enfermedad o no enfermedad puede ser

47:42 útil en contexto clínico. tiene alguna utilidad en conosc clínico, pero no es una herramienta que cambie por sí misma, que cambie la medicina y el porque claro, yo imagino que viendo un poco la evolución que ha habido con Alpha Fult, que entiendo que si nos plantamos ahora en 2019 eh también parecía imposible, ¿no? [risas] Quiere decir que que es cierto que a veces da la sensación de que hasta donde puedes ver, ¿no? Es un poco como que esto no podría pasar y de repente pasó, ¿no? y de repente nos encontramos con que en apenas unos años ha cambiado esto de una forma tan radical que le da un vuelco a la moneda, ¿no? E crees que por el avance exponencial de la inteligencia artificial podría ir más rápido de lo que aparentemente pueda ser o cómo estás viviendo ese avance exponencial porque porque claro, a veces hay gente con la

48:28 que hablo que dice, "Bueno, si esto no ha cambiado tanto." Y hay gente que dice, "Bueno, es que yo cada día miro y de repente es completamente distinto." Entiendo que depende del campo, ¿no? por ahora, pero en vuestro caso no no sabría no sabría muy bien qué qué decirte. Eh, yo creo que no, o sea, creo que los problemas complejos del desarrollo de las enfermedades, de de este tipo de cosas, no se van a resolver con con la tecnología actual de un modo fácil. en lo fácil decir, no va a haber un paper en hecho mañana que diga ya lo hemos resuelto porque faltan datos, faltan faltan cosas, faltan cosas, no es no es un problema solo de tener una mejor

49:14 inteligencia artificial, sino que no vas a tener información suficiente para hacer los pies. al menos los primeros 3 años y los próximos eh más allá de eso bien puede haber un cambio en la tecnología que sea tan transformativo o la acumulación de datos va pueda pasar más rápido de lo que estamos de lo que estamos viendo. Pero h bueno, esa es al menos lo que yo pienso. entiendo que pueda haber áreas concretas donde sí se pueda haber un cambio muy grande dentro de biología, donde de pronto sí puede haber un cambio muy grande, pero globalmente los problemas fundamentales no creo. Entonces, aquella afirmación que hizo Demisabis de en los próximos 10 años vamos a curar todas las enfermedades,

49:59 ¿cómo lo ves? Pues pues eso como que es vicepresidente de Google, no sé, ¿no? Yo me parece primero curar todas las enfermedades significaría tener procesos eh biológicos eh químicos para intervenir en todas las enfermedades. tenemos eh fármacos para todas las enfermedades y tampoco es tan fácil eh se generar fármacos que que sean adecuados, que no sean tóxicos, que se pueden demostrar que en una población y demás. O sea, ahora mismo tenemos una batería grande de de medicamentos contra el cáncer. Elamiento del cáncer ha mejorado muchísimo en muchas áreas. sigue habiendo cánceres en

50:46 los que no y o los que mucho menos y no tenemos fármacos para todas las cosas, aunque tengamos un diagnóstico muy fino, no tenemos el fármaco. Entonces, el desarrollo de fármacos es complejo, aún aunque haya inteligencia artificial, aunque podemos sintetizar nuevos fármacos, el que todo esto tal, lo en proceso de probarlo y que funcione y no sé cuántos que lleva que lleva un tiempo. O sea, por tanto, por la propia dinámica de las cosas, ni tenemos tanto conocimiento, ni tenemos tantos instrumentos y tenemos un proceso regulado. La cuminación de las tres cosas es muy difícil pensar que vas a tener la cura para todas las enfermedades en en tan poco tiempo. Dicho esto, además, la cura de todas las enfermedades para quién y dónde, porque esto es un segundo es un segundo problema muy interesante añadido.

51:33 Sí, sí. A ver, ¿quién tiene acceso a esto? No, porque a ver, yo entiendo que las enfermedades hay diferentes formas de tratarlas. Una es evitar que aparezcan, otra es eh curarla a base de medicamentos. Eh, ¿cuál de las dos vías crees que puede acercarnos más? Porque estamos pensando desarrollar medicamentos, pero igual si conseguimos evitar que la próxima generación no tenga cánceres, se acaba la necesidad de medicamentos ¿no? Claro, esto parece como evidentemente lógico, ¿no? Si podemos evitar las enfermedades, vamos a dejar de fumar, por ejemplo, sería una buena forma de evitar un montón de un montón de enfermedades. Vamos a vamos a reducir las la contaminación de la ciudad. sería una buena forma de una buena forma de reducir las enfermedades, efectivamente y ser capaces de no solo hacer recomendaciones generales, sino hacer recomendaciones específicas es es

52:20 una buena forma de alejar las enfermedades. La otra forma el curarlas es más complicado porque pasan cosas que luego son difíciles de resolver eh por métodos químicos, desarrollo de fármacos estamos hablando de las limitaciones que tiene esto. la cirugía avanzado mucho pero también tiene sus limitaciones respecto a quién se puede operar y quién no se puede operar. Entonces, obviamente prevenirlo sería mejor. la idea de de los de esta idea de aprender con inteligencia artificial sobre las trayectorias de los pacientes, es decir, qué enfermedades has tenido, qué medicamentos has tomado, pero eso también influye en qué ambientes has estado y a partir de esta información que es como tu trayectoria vital, ser capaz de predecir qué te va a pasar

53:06 después. Esto ya hay papers e hablando con enfermedades y prediciendo después va a haber más papers son muy basados en big data y en otras cosas y funcionan funcionan bien los resultados que hay comprobados con otras probaciones y tal parecen muy razonables y van a salir más papers de de Google y tal sentido de predecir las trayectorias de enfermedades. Esto es muy importante porque si tienes una, no es lo mismo decir usted debería de hacer más ejercicio porque va a tener no sé cuántos que decir su probabilidad de tener una enfermedad, de tener esta enfermedad dentro de 5 años es X. Esto eh hace mucho más fácil prever eh tomar medidas hacer seguimientos y eventualmente desarrollar tratamientos. Por tanto, hay mucho potencial en el estudio de los de los de

53:54 los récord de los informes médicos, ¿no? Acumados. Claro, nosotros lo que estamos viendo y es un hecho es que en Estados Unidos anunciaron hace mucho que iban a reducir a la mitad el tiempo de salida al mercado de un medicamento, principalmente por todos estos beneficios que está aportando la inteligencia artificial, lo cual es brutal. Pero claro, entiendo que hay una serie de burocracia, sobre todo esa parte de test de los medicamentos, de sea fase uno, fase dos, fase tres, que todo eso pues hay un tiempo en el que es relativamente innegociable, ¿no? Es relativamente Bueno, también hay dos cosas, una es reducir los tiempos antes de llegar al ensayo en humanos, el ensayo clínico. El primer medicamento que se aprobó para ser probado en humanos sin hacer experimentos en animales 2 años, ¿no? que pasó Ana

54:40 se aprobó primero el paper, luego ya estaba en ensayos en fase dos que el año pasado está en fase dos de ensayos, o sea, que esto ya está pasando y más y más de los medicamentos que se van produciendo incorporan una parte de esta parte preclínica que son modelos eh métodos predicciones cosas computacionales. Trabajamos como otros grupos en reemplazar los animales que se usan en los experimentos por animales sintéticos. porque vas a ahorrar dinero, vas a sacrificio de animales, vas a ir más rápido. Luego llegas al ensayo clínico y obviamente en los ensayos clínicos cada vez hay más modelos novedosos que intentar reducir los tiempos de

55:25 experimentación, usar los datos que ya tenías, datos retrospectivos, usar números más pequeños, eh combinar eh ir abriendo las las ramas del ensayo para no tener que llevar solo dos ramas, sino ahí adaptando a lo que va pasando ahí cantidad de cosas y sobre todo y en este contexto juega un papel Es fundamental tanto la parte preclínica como la parte clínica. toda esta parte que tiene mucho que ver con la generativa de hacer datos sintéticos, datos sintéticos de los animales, datos sintéticos de los humanos que puedan usarse para complementar los datos reales. Claro. Y aquí también entra, sin ninguna duda, la parte del gemelo digital, ¿no? ese famoso digital twin, que se supone que es que nos puede permitir hacer

56:10 pruebas de forma digital sin llegar a tener que hacerlas en el humano concretamente o en el en la en el en el individuo que sea, ¿no? Porque entiendo que también habrá digital twins de animales. Vamos a vamos a indagar sobre esto porque creo que el tema del digital twin es algo que la gente está habituada a escuchar. Es algo que eh yo siempre creo que hay como dos versiones del digital twin, ¿no? Se habla mucho en el mundo corporativo a nivel empresas, etcétera, de lo que es el digital twin dentro de la empresa, etcétera. Pero el el punto inicial de todo esto nace en la parte más biológica, en la parte más pues de ciencia, eh donde intentamos crear un simulador, ¿no?, del cuerpo de alguien o de algo, ¿no? Y a partir de ahí poder hacer pruebas de cómo lo que estemos haciendo va a afectar a ese

56:56 organismo, ¿no? El Digital Twin viene a ser esto, ¿sí? Eh, en la yo cuando me preguntan qué hacemos en el Bacon Supercund Center, la forma más fácil de explicar que hace un centro y así es hacemos digital twins, ¿no? Porque porque es verdad, o sea, nuestros colegas de de ingeniería hacen gemelos digitales de sistemas físicos, el gemelo digital de un rotor, el gemelo digital de una pala eólica. es un sistema que representa, que simula en el computador con ecuaciones y con simulación el comportamiento del sistema físico. En el espíritu más puro del término digital twin, le está el sistema físico manda constantemente datos al sistema simulado que se adapta a esos

57:43 nuevos datos y lo va reproduciendo. Esto funciona bien. Hay digital twins comerciales y puedes comprar pues lo que tú dices, ámbito corporativo, puedes pedirle a Siemens que te haga un digital twin de tu factoría y te hace un digital twin de esto hace media para luego poder robo ese digital twin y esas cosas, ese tipo de cosas, ¿no? Que pues son asombrosas, pero lo entiendes, ¿no? Son capaces de mapear cada función, eh, qué es lo que hace, dónde lo hace, cómo lo hace y y hacer funcionar todo el sistema con una con una simulación. Nuestro caso es más complicado porque obviamente eh digitalizar una factoría es relativamente fácil, digitalizar un humano es imposible y nos volvemos al tema de los datos. No tenemos todos los datos para todas las cosas y hoy por hoy

58:29 un gemelo digital de un organismo humano funcionando en en su funcionando al mismo nivel que funciona elal de una factoría. Es decir, todos los elementos, sabiendo cómo operan todos los elementos, es imposible. No sabemos ni siquiera cuántos tipos celulares tenemos, o sea, que ni siquiera sabemos cuántos tipos de células distintas. Lo que hacemos, como es obvio, es intentar tener gemelos digitales de partes del sistema. Una forma de verlo es partes atómicas. Esto que hablamos antes de las proteínas, puedes pensar que de cada estructura de estas puede actuar como un gemelo digital que es que simula cómo se comporta esa proteína y es lo que haces haciendo dinámica molecular para generar nuevos fármacos o analizar nuevos

59:14 fármacos. En el otro extremo puedes hacer gemelos digitales de un órgano a un cierto nivel de representación, un cierto nivel de eh de resolución, un pulmón en el que ves cómo puede llegar aire por las vías aéreas, cómo cómo se expande, cómo se contrae, cómo llegan el oxígeno los alveoles, cómo se cómo se distribuye. Claro, esto es muy útil. puedes lo puedes personalizar al de una persona en concreto y puedes pensar cómo va a aceptar la llegada de un virus a una a la configuración de los pulmenos de una persona en concreto cómo va a llegar a distintas partes de podría ser muy diferente de cómo va a ser a otra persona. Es decir, aquí la gracia del digital twin no es crear un digital twin de un pulmón, sino de mi pulmol.

1:00:00 Espero que estéis disfrutando del podcast. Sabéis que hay una herramienta que utilizo muy a menudo que es el plote. Este dispositivo me permite llevarme una grabadora a todos los sitios donde yo vaya y que tenga una interacción con otra persona y me permite no solo grabar esas conversaciones, que con un solo botón lo puedo poner a grabar, sino además tener una conversación interactiva con esas conversaciones a posteriori. Esto realmente es muy útil porque cuando tenemos reuniones presenciales siempre estamos en ese juego de quién dijo qué y cuándo dijo quién. A partir de ahí, lo que nos encontramos es una situación en

…