{"id":12421,"date":"2026-07-16T17:02:18","date_gmt":"2026-07-16T20:02:18","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=12421"},"modified":"2026-07-16T17:02:18","modified_gmt":"2026-07-16T20:02:18","slug":"una-computadora-cuantica-del-tamano-de-una-impresora-ayudo-a-una-ia-a-disenar-peptidos-que-funcionaron-en-el-laboratorio-el-mayor-avance-aparecio-justo-donde-la-medicina-tiene-menos-datos","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=12421","title":{"rendered":"Una computadora cu\u00e1ntica del tama\u00f1o de una impresora ayud\u00f3 a una IA a dise\u00f1ar p\u00e9ptidos que funcionaron en el laboratorio. El mayor avance apareci\u00f3 justo donde la medicina tiene menos datos"},"content":{"rendered":"
\n

La computaci\u00f3n cu\u00e1ntica lleva a\u00f1os prometiendo revolucionar la medicina sin conseguir demostrar con claridad qu\u00e9 podr\u00eda hacer hoy, con m\u00e1quinas peque\u00f1as y todav\u00eda muy limitadas. Un grupo de cient\u00edficos daneses decidi\u00f3 comprobarlo con una estrategia bastante menos grandiosa: utilizar un ordenador cu\u00e1ntico para modificar una peque\u00f1a parte de una inteligencia artificial y observar si consegu\u00eda dise\u00f1ar mejores p\u00e9ptidos.<\/p>\n

El experimento termin\u00f3 produciendo mol\u00e9culas que funcionaron en el laboratorio. Investigadores de la Universidad T\u00e9cnica de Dinamarca, ORCA Computing y varias instituciones europeas conectaron un modelo generativo con un procesador cu\u00e1ntico fot\u00f3nico. El sistema cre\u00f3 cadenas cortas de amino\u00e1cidos capaces de estabilizar determinadas prote\u00ednas del sistema inmunitario, un paso necesario para desarrollar vacunas e inmunoterapias personalizadas.<\/p>\n

El trabajo resulta todav\u00eda m\u00e1s peculiar por su origen. Seg\u00fan relat\u00f3 el responsable del proyecto, Timothy Patrick Jenkins, a WIRED, parte del equipo trabaj\u00f3 durante los fines de semana y reuni\u00f3 fondos no gastados de otras investigaciones para sacar adelante una idea que consideraba demasiado arriesgada para las v\u00edas tradicionales de financiaci\u00f3n.<\/p>\n

La computadora cu\u00e1ntica no dise\u00f1\u00f3 sola las mol\u00e9culas<\/h2>\n

El titular puede llevar a imaginar que una m\u00e1quina cu\u00e1ntica analiz\u00f3 prote\u00ednas completas y descubri\u00f3 un medicamento. Lo ocurrido fue bastante m\u00e1s espec\u00edfico.<\/p>\n

Los cient\u00edficos utilizaron una red generativa antag\u00f3nica, conocida como GAN. Este tipo de inteligencia artificial contiene un generador que propone nuevas secuencias y un discriminador que intenta determinar si se parecen a las mol\u00e9culas reales utilizadas durante el entrenamiento.<\/p>\n

Para comenzar a generar, el modelo necesita recibir una colecci\u00f3n de n\u00fameros aleatorios denominada distribuci\u00f3n previa o espacio latente. Habitualmente esos n\u00fameros proceden de una distribuci\u00f3n matem\u00e1tica sencilla, como una gaussiana. En el nuevo experimento, los investigadores sustituyeron esa \u201csemilla\u201d convencional por patrones obtenidos de un procesador cu\u00e1ntico fot\u00f3nico de 32 modos fabricado por ORCA Computing.<\/p>\n

La m\u00e1quina env\u00eda fotones a trav\u00e9s de un circuito de divisores de haz y registra por d\u00f3nde salen. Cada medici\u00f3n produce una distribuci\u00f3n compleja y correlacionada que puede utilizarse como punto de partida para la IA. El resto del trabajo (el entrenamiento, la generaci\u00f3n y la evaluaci\u00f3n) continu\u00f3 realiz\u00e1ndose en ordenadores cl\u00e1sicos.<\/p>\n

La hip\u00f3tesis era que esas estructuras cu\u00e1nticas permitir\u00edan explorar el inmenso espacio de p\u00e9ptidos de una manera diferente, evitando que el modelo visitase siempre las mismas regiones. ORCA ya hab\u00eda observado indicios semejantes en modelos generativos aplicados a im\u00e1genes y mol\u00e9culas peque\u00f1as.<\/p>\n

La mejora apareci\u00f3 donde los datos eran m\u00e1s escasos<\/h2>\n
\"La
\u00a9 DTU Bioengineering.<\/figcaption><\/figure>\n

El equipo se concentr\u00f3 en p\u00e9ptidos de nueve amino\u00e1cidos capaces de unirse a mol\u00e9culas HLA de clase I. Estas prote\u00ednas funcionan como expositores microsc\u00f3picos: presentan fragmentos moleculares en la superficie de las c\u00e9lulas para que el sistema inmunitario pueda reconocer infecciones, anomal\u00edas o c\u00e9lulas tumorales.<\/p>\n

Las variantes HLA cambian de una persona a otra y no aparecen con la misma frecuencia en todas las poblaciones. El problema es que buena parte de los datos biom\u00e9dicos disponibles procede de grupos de ascendencia europea, por lo que numerosos alelos presentes en otras regiones contin\u00faan poco estudiados.<\/p>\n

Los investigadores entrenaron el sistema con 105.970 pares de p\u00e9ptidos y HLA, correspondientes a unas 77.000 secuencias \u00fanicas y 126 variantes inmunitarias. Despu\u00e9s, cada versi\u00f3n del modelo gener\u00f3 1.000 p\u00e9ptidos para cada uno de los 131 alelos evaluados. Un programa llamado NetMHCpan predijo cu\u00e1les tendr\u00edan mayores probabilidades de unirse con fuerza.<\/p>\n

El modelo alimentado con la distribuci\u00f3n cu\u00e1ntica produjo, en promedio, m\u00e1s candidatos fuertes que la versi\u00f3n gaussiana en el 63% de los alelos. Las diferencias m\u00e1s claras aparecieron en aquellos con pocos ejemplos dentro del conjunto de entrenamiento. Para HLA-A*68:01, por ejemplo, el sistema cu\u00e1ntico lleg\u00f3 a generar aproximadamente el doble de candidatos fuertes.<\/p>\n

La IA no se limit\u00f3 a repetir peque\u00f1as variantes de una misma secuencia. Los p\u00e9ptidos mostraron mayor diversidad en las posiciones donde los amino\u00e1cidos pod\u00edan cambiar, al tiempo que conservaron los puntos de anclaje necesarios para encajar en cada mol\u00e9cula HLA.<\/p>\n

Los p\u00e9ptidos salieron de la computadora y entraron en el laboratorio<\/h2>\n

Una predicci\u00f3n digital no demuestra que una mol\u00e9cula vaya a comportarse igual en el mundo f\u00edsico. Para superar esa barrera, el equipo escogi\u00f3 tres variantes poco estudiadas: HLA-A31:01, HLA-A68:01 y HLA-B*37:01.<\/p>\n

Los cient\u00edficos sintetizaron los 20 p\u00e9ptidos mejor puntuados para cada una y comprobaron mediante ensayos ELISA si estabilizaban realmente los complejos p\u00e9ptido-HLA. Todos los candidatos ensayados para HLA-A31:01 y HLA-A68:01 superaron el umbral positivo. En HLA-B*37:01 hubo numerosos aciertos, pero tambi\u00e9n varios fracasos, algo que los autores atribuyen en parte a su estructura at\u00edpica y a la escasez de informaci\u00f3n disponible.<\/p>\n

Los mejores p\u00e9ptidos individuales para los tres alelos procedieron del modelo cu\u00e1ntico. Sin embargo, al comparar el promedio completo, el rendimiento de los grupos cu\u00e1ntico y cl\u00e1sico fue parecido. El dato importa porque evita interpretar el experimento como una victoria indiscutible sobre la computaci\u00f3n convencional.<\/p>\n

Lo demostrado es m\u00e1s modesto: cambiar la forma en que se alimenta inicialmente a una IA puede llevarla hacia regiones distintas del espacio molecular, y una distribuci\u00f3n extra\u00edda de hardware cu\u00e1ntico parece especialmente \u00fatil cuando faltan ejemplos.<\/p>\n

No es todav\u00eda una ventaja cu\u00e1ntica ni una vacuna terminada<\/h2>\n

Los propios autores remarcan que el resultado no demuestra una ventaja cu\u00e1ntica. El sistema utilizado era lo suficientemente peque\u00f1o como para poder ser simulado mediante ordenadores tradicionales, y las mejoras generales frente a las distribuciones cl\u00e1sicas fueron consistentes, pero moderadas. El estudio, adem\u00e1s, fue publicado como preprint en bioRxiv y todav\u00eda no ha superado una revisi\u00f3n por pares.<\/p>\n

Tampoco basta con que un p\u00e9ptido se una a una mol\u00e9cula HLA para crear una vacuna. Despu\u00e9s debe ser procesado correctamente por las c\u00e9lulas, reconocido por los receptores de los linfocitos T y generar una respuesta inmunitaria eficaz sin provocar efectos indeseados. La uni\u00f3n comprobada en el laboratorio es solo uno de muchos filtros.<\/p>\n

La siguiente etapa ser\u00e1 probar el m\u00e9todo con arquitecturas generativas m\u00e1s avanzadas, prote\u00ednas mayores y objetivos terap\u00e9uticos m\u00e1s complejos. El laboratorio de Jenkins ya investiga la posibilidad de aplicarlo al dise\u00f1o de ant\u00eddotos sint\u00e9ticos contra venenos de serpiente, un problema que afecta de manera desproporcionada a comunidades con pocos recursos de \u00c1frica, Asia y Am\u00e9rica Latina. El grupo de DTU trabaja precisamente en el uso de IA y automatizaci\u00f3n para descubrir prote\u00ednas de uni\u00f3n aplicables a toxinas, c\u00e1ncer, infecciones y diagn\u00f3sticos econ\u00f3micos.<\/p>\n

La computadora cu\u00e1ntica no descubri\u00f3 un medicamento ni reemplaz\u00f3 a los superordenadores. Hizo algo m\u00e1s peque\u00f1o, pero quiz\u00e1 m\u00e1s valioso para una tecnolog\u00eda que todav\u00eda busca justificar su existencia: ayud\u00f3 a una inteligencia artificial a mirar donde los modelos tradicionales encontraban muy poco que aprender.<\/p>\n<\/p><\/div>\n","protected":false},"excerpt":{"rendered":"

La computaci\u00f3n cu\u00e1ntica lleva a\u00f1os prometiendo revolucionar la medicina sin conseguir demostrar con claridad qu\u00e9 podr\u00eda hacer hoy, con m\u00e1quinas peque\u00f1as y todav\u00eda muy limitadas. Un grupo de cient\u00edficos daneses decidi\u00f3 comprobarlo con una estrategia bastante menos grandiosa: utilizar un ordenador cu\u00e1ntico para modificar una peque\u00f1a parte de una inteligencia artificial y observar si consegu\u00eda […]<\/p>\n","protected":false},"author":1,"featured_media":12422,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-12421","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/12421","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=12421"}],"version-history":[{"count":0,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/12421\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/media\/12422"}],"wp:attachment":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=12421"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=12421"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=12421"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}