En lugar de diseñar desde cero nuevas enzimas capaces de degradar plástico, un equipo de investigadores australianos ha decidido aprovechar algo que ya existe en abundancia: millones de años de evolución biológica. Científicos del Bioplastics Innovation Hub de la Universidad Murdoch, en colaboración con CSIRO (la agencia científica nacional de Australia), están usando aprendizaje automático para rastrear bases de datos con millones de enzimas ya conocidas, en busca de las que podrían degradar plástico y otros contaminantes persistentes.
El problema de partida: demasiados datos para revisar a mano
Las bases de datos biológicas de todo el mundo contienen información sobre millones y millones de enzimas con potencial para degradar contaminantes como el plástico. Hasta ahora, examinar manualmente esa cantidad de datos para encontrar candidatas útiles resultaba una tarea prácticamente inabarcable para cualquier equipo humano, por grande que fuera.
La filosofía del proyecto: minar la evolución, no reinventarla
Joseph Boctor, investigador principal del proyecto, defiende un enfoque que contradice buena parte de la tendencia actual en bioingeniería: «Defiendo firmemente que sobre-diseñar enzimas desde cero es un mal punto de partida, que pasa por alto millones de años de evolución que ya han producido muchas soluciones potenciales para estos contaminantes». Según Boctor, el reto no es crear algo nuevo, sino «mirar en el lugar correcto»: usando herramientas de aprendizaje automático, el equipo puede rastrear millones de piezas de datos biológicos todavía sin explorar para encontrar la candidata adecuada para cada tarea concreta.
Cómo funciona el proceso técnico
Estos sistemas de aprendizaje automático utilizan el conocimiento acumulado sobre enzimas ya caracterizadas previamente para predecir cómo podrían interactuar nuevas estructuras enzimáticas con contaminantes específicos, y cómo podrían llegar a descomponerlos. Es decir, el algoritmo no inventa enzimas nuevas: aprende de las que ya se conocen bien para predecir el comportamiento de otras todavía sin estudiar en profundidad, acelerando drásticamente la fase de búsqueda inicial.
De la pantalla al laboratorio
La fase de descubrimiento impulsada por IA ya ha conseguido filtrar con éxito vastos conjuntos de datos biológicos, lo que ha permitido al laboratorio pasar a la fase de validación experimental. Los esfuerzos actuales se concentran en probar la eficiencia catalítica real de las enzimas seleccionadas, optimizar su estabilidad bajo condiciones ambientales reales (no solo en laboratorio), y desarrollar protocolos de biorremediación que puedan aplicarse a gran escala, no solo en pruebas de concepto reducidas.
Un problema que va mucho más allá del plástico visible
El proyecto no se limita a buscar soluciones para el plástico convencional: también investiga enzimas capaces de degradar «químicos eternos» (PFAS), un grupo de compuestos sintéticos extremadamente persistentes en el medio ambiente que se han detectado migrando desde el suelo hacia la cadena alimentaria, un problema de contaminación cada vez más documentado en todo el mundo.
Un enfoque distinto al de otros proyectos de IA en este campo
Conviene situar este trabajo dentro de un panorama más amplio: otros equipos, como el de la Universidad de Washington, han optado por el camino contrario, usando IA generativa (como el sistema RFdiffusion) para diseñar enzimas completamente nuevas desde cero, sin precedente natural directo. El enfoque de Murdoch representa la otra gran estrategia dentro de la biorremediación asistida por IA: en lugar de inventar, buscar y seleccionar entre lo que la naturaleza ya ha producido a lo largo de eones, lo que podría resultar más rápido y barato de validar en las primeras fases del proceso.
Qué implica en la práctica
- Para la gestión de residuos plásticos: si las enzimas candidatas superan la validación experimental, podrían ofrecer una vía de biorremediación más rápida y escalable que los métodos químicos convencionales de tratamiento de plásticos.
- Para la contaminación por PFAS: encontrar enzimas naturales capaces de degradar estos «químicos eternos» sería especialmente valioso, dada la enorme persistencia ambiental que los caracteriza y la escasez actual de soluciones de limpieza efectivas.
- Para la biotecnología en general: confirma que la IA no siempre compite con la evolución natural diseñando alternativas desde cero, sino que también puede actuar como una potente herramienta de búsqueda sobre soluciones que la propia naturaleza ya desarrolló hace millones de años.
Nuestra lectura
Lo más interesante de este proyecto es la filosofía de fondo que lo sustenta: en un campo donde buena parte del entusiasmo actual se centra en que la IA generativa «invente» moléculas completamente nuevas, el equipo de Murdoch apuesta por lo contrario, usar la IA como un motor de búsqueda extraordinariamente potente sobre un archivo biológico que la evolución ya llevaba miles de millones de años construyendo. Es, en cierto modo, una forma de humildad científica bien aplicada: antes de intentar superar a la naturaleza, aprovechar a fondo lo que ya ha resuelto.