Los modelos de IA deben distinguir causa de correlación – empresa británica quiere revolucionar la mejora vegetal

De la correlación al vínculo causal

Existe un problema clásico en la investigación genómica que todo bioinformático conoce: las estadísticas pueden decir que dos cosas están relacionadas, pero no por qué. Los métodos tradicionales para la identificación de objetivos génicos, que mapean asociaciones entre variantes de ADN y características visibles, han sufrido durante mucho tiempo precisamente por esto. Muestran correlación, pero no causalidad. Es como constatar que las ventas de paraguas y el clima lluvioso covarían, sin entender cuál impulsa cuál.

Ese es exactamente el problema que la startup británica Biographica quiere resolver con su plataforma computacional. Y ahora han encontrado un socio que puede convertir las respuestas en práctica.

Según AgFunder News, Biographica y la especialista holandesa en edición genética Hudson River Biotechnology están formando una alianza estratégica cuyo objetivo es revolucionar la mejora vegetal. La colaboración cubre toda la cadena, desde la identificación de objetivos génicos valiosos hasta variedades comerciales completamente mejoradas.

Modelos base para el genoma

El núcleo de la plataforma de Biographica son los llamados modelos base, un tipo de modelo de aprendizaje automático que en los últimos años ha demostrado ser notablemente potente cuando se entrena con grandes conjuntos de datos multidimensionales. Aquí no son texto o imágenes los que constituyen los datos de entrenamiento, sino información genómica.

Los modelos están entrenados para predecir qué genes realmente causan una característica, cómo interactúan entre sí, y qué ediciones producen el resultado deseado con el mínimo de efectos secundarios no deseados posible. Este es un avance significativo en comparación con los métodos estadísticos más antiguos.

— La idea es que los clientes puedan dirigirse a Hudson River y decir: tengo un problema de características, dame una variedad editada que lo resuelva, explica Dominic Hall, cofundador de Biographica, a AgFunder News.

Tres casos de uso concretos

La asociación se dirige particularmente a situaciones donde los métodos tradicionales se han estancado. Esto incluye casos donde los objetivos génicos obvios ya están agotados, donde la característica está controlada por una interacción compleja entre muchos genes en lugar de uno solo, o donde el riesgo de efectos secundarios no deseados de una edición es alto.

Es precisamente en estos escenarios complejos donde la capacidad del aprendizaje automático para manejar patrones de alta dimensionalidad realmente brilla. Un ser humano puede mantener algunas variables en la mente simultáneamente; un modelo bien entrenado puede mantener miles.

Inicialmente, la alianza se enfoca en tomates, con planes explícitos de expandirse a otros cultivos. El tomate es un sistema modelo bien conocido en biología vegetal, lo que lo convierte en un punto de partida lógico.

Una pieza del rompecabezas en un contexto más amplio

Es fácil ver esto como un proyecto de nicho dentro de una disciplina académica estrecha. Pero creo que sería perder la perspectiva general.

Nos encontramos en una situación donde la población mundial continúa creciendo, el cambio climático está alterando las condiciones agrícolas a un ritmo acelerado, y la necesidad de cultivos que resistan la sequía, las enfermedades y nuevas plagas aumenta dramáticamente. La mejora vegetal tradicional es un proceso lento: desarrollar nuevas variedades puede tomar décadas. La edición genética con herramientas como CRISPR ya ha acortado significativamente esa línea de tiempo. Pero sin una identificación precisa del objetivo génico correcto, se corre el riesgo de editar en el lugar equivocado, con consecuencias impredecibles.

Ahí es donde la combinación de aprendizaje automático y edición genética se vuelve genuinamente interesante. No se trata de IA que reemplace a los biólogos, sino de IA que ayude a los biólogos a hacer mejores preguntas y encontrar respuestas más rápido.

La alianza entre Biographica y Hudson River Biotechnology es un ejemplo concreto y delimitado de cómo puede verse ese tipo de colaboración en la práctica: una empresa computacional con una sólida competencia en modelos, combinada con un laboratorio con experiencia de punta en regeneración celular y edición. Probablemente ni Biographica ni Hudson River hubieran podido entregar toda la cadena por sí solas; juntas, la cubren.

Esta es, diría yo, precisamente cómo funciona la mejor aplicación de IA: no como una herramienta universal, sino como un componente preciso en un sistema bien construido.