La plataforma de IA Hugging Face presentó un nuevo modelo abierto para comprender el ADN que puede ejecutarse de forma local en una laptop. Desarrollado en colaboración con investigadores de la Academia Zhongguancun de China y de la Universidad Federico II de Nápoles, Italia, el modelo se ha entrenado con secuencias genómicas y lenguaje natural, de modo que los usuarios puedan formular preguntas sobre los efectos de los cambios en el ADN sobre la actividad genética y la salud, y obtener respuestas en forma de conversación.
Lewis Tunstall, investigador científico sénior de Hugging Face, afirma que la herramienta está pensada para ayudar a los investigadores a diseñar nuevos fármacos y terapias genéticas, y que podría ayudar a los pacientes a interpretar sus propios genomas.
«Hemos desbloqueado una nueva capacidad en los modelos de lenguaje, que consiste fundamentalmente en poder ‘chatear’ con el ADN», indica sobre el nuevo modelo, bautizado como Carbon-X. El uso del lenguaje natural significa que incluso los usuarios sin conocimientos técnicos pueden plantear preguntas sobre el ADN a las que no tendrían acceso a través de ninguna otra herramienta.
Conocido básicamente como el GitHub de los modelos de IA, Hugging Face ofrece una biblioteca de herramientas de IA listas para usar y una plataforma para ejecutar apps de IA, principalmente de código abierto y peso abierto, dirigidas a desarrolladores, investigadores, empresas y personas que quieran experimentar con la IA sin tener que crear todo desde cero. En septiembre, Nvidia acordó adquirir la empresa por casi 13,000 millones de dólares. Hugging Face también fue el centro de un importante ataque informático perpetrado por los modelos de OpenAI a principios de este año.
El ADN se parece más a un código informático que al lenguaje natural
Sin embargo, en lugar de ceros y unos, utiliza A, C, G y T para codificar la información. Un genoma humano contiene 6,000 millones de estas letras. Aunque el genoma humano se ha secuenciado de principio a fin, los científicos aún no comprenden cómo funciona la mayor parte de él.
Ahora, los modelos de IA están ayudando a los investigadores a descifrar algunos de esos misterios. El año pasado, Google DeepMind lanzó AlphaGenome, que predice los efectos de las secuencias de ADN y las mutaciones genéticas, pero lo hace en formato numérico. Además, requiere mayor potencia de cálculo. Evo 2, un modelo desarrollado por el Arc Institute y Nvidia, junto con socios académicos, habla el lenguaje del ADN y puede generar genomas completos partiendo de cero.
Carbon-X integra tanto el ADN como el lenguaje natural en una interfaz conversacional. Piensa en ello como un ChatGPT para el ADN.
El equipo partió de un modelo de lenguaje ya existente y amplió su vocabulario para leer el ADN en grupos de seis letras. A continuación, continuó el entrenamiento con 300,000 millones de fragmentos de datos, o tokens, que combinaban secuencias de ADN, texto en inglés y ejemplos que relacionaban el ADN con descripciones biológicas. Las secuencias de ADN procedían de mamíferos (incluidos los humanos), otros vertebrados, invertebrados, plantas, hongos y protozoos. Tunstall afirma que el equipo no entrenó el modelo con virus porque no querían que se utilizara para aplicaciones potencialmente peligrosas.
AlphaMissense, un nuevo modelo del equipo de inteligencia artificial de Google, analiza los efectos de las mutaciones del ADN y acelerará la investigación de enfermedades raras.
Los usuarios no podrán subir genomas humanos completos
El modelo se entrenó para poder procesar secuencias de ADN de aproximadamente 50,000 pares de bases, por lo que los usuarios solo podrán consultar pequeñas partes del genoma cada vez.
Una de las formas en que los científicos podrían utilizar Carbon-X es para ayudar a comprender si una mutación genética es benigna o patógena, un paso clave en el desarrollo de un fármaco dirigido o una terapia genética. Si una intervención se dirige a la mutación equivocada, podría resultar totalmente ineficaz o, peor aún, causar daños no deseados.
Los investigadores se enfrentan a restricciones a la hora de cargar datos identificables o sensibles de pacientes en modelos de IA de vanguardia, por lo que Tunstall menciona que su equipo diseñó intencionadamente un modelo pequeño con 14,000 millones de parámetros. Esto permitirá que se ejecute localmente en el hardware del usuario, en lugar de depender de modelos basados en la nube. Según afirma, no se envía ningún dato a Hugging Face ni a ninguna otra empresa.
Los desarrolladores de Carbon-X advierten de que aún no han validado el modelo con experimentos reales en laboratorio, por lo que no pueden afirmar con certeza cuál es el grado de precisión de sus predicciones.
Artículo publicado originalmente en WIRED.com. Adaptado por Alondra Flores.
