AlphaGo y AlphaFold: de un juego a la biología

AlphaGo y AlphaFold son dos sistemas de Google DeepMind que muestran cómo la IA puede avanzar desde un juego de estrategia hacia problemas científicos. AlphaGo venció a profesionales del Go, un juego de tablero antiguo y muy complejo. AlphaFold predice la forma de las proteínas, un problema que la biología estudiaba desde hacía décadas. Los dos se basan en redes neuronales profundas que aprenden de datos.

El reto del Go

Según Google DeepMind, el Go fue durante mucho tiempo un gran desafío para la IA. El juego tiene un número de configuraciones posibles de tablero que la empresa cifra en 10 elevado a 170. DeepMind dice que el Go es mucho más complejo que el ajedrez, y que los mejores programas solo llegaban al nivel de aficionados humanos.

Calcular todas las jugadas no era una opción. Por eso el reto era elegir jugadas buenas sin revisar todo, algo que las personas hacen con intuición.

Cómo funcionaba AlphaGo

AlphaGo combinaba dos redes neuronales con un método de búsqueda. La primera, llamada red de política, elegía la siguiente jugada. La segunda, la red de valor, estimaba quién iba a ganar la partida desde una posición.

El sistema aprendió en dos etapas. Primero estudió miles de partidas de expertos humanos. Después jugó contra versiones de sí mismo miles de veces, aprendiendo de sus errores. Ese segundo paso se llama aprendizaje por refuerzo: el programa aprende por prueba y error, con una señal de éxito o fracaso.

Las partidas

En octubre de 2015, AlphaGo jugó contra Fan Hui, tres veces campeón europeo, y ganó 5-0. Según DeepMind, fue la primera vez que un sistema de IA venció a un profesional de Go.

En marzo de 2016, en Seúl, enfrentó a Lee Sedol, que había ganado 18 títulos mundiales. AlphaGo ganó 4-1. DeepMind dice que el enfrentamiento fue visto por más de 200 millones de personas, y que le dio a AlphaGo el grado de 9 dan profesional, el máximo, por primera vez para un programa de Go.

En la segunda partida, AlphaGo jugó la jugada 37, que según DeepMind tenía una probabilidad de 1 entre 10.000 de ser elegida por un jugador humano. Esa jugada fue decisiva y muchos jugadores la estudiaron después. En la cuarta partida, Lee Sedol respondió con una jugada igual de inesperada, que le dio la victoria a él.

Supón que un programa elige entre 100 jugadas posibles en cada turno y se equivoca en una de cada 10 decisiones. Un error sencillo puede pesar mucho en una partida larga. Por eso los sistemas de este tipo buscan jugadas buenas sin revisar todas las posibles.

AlphaFold: la forma de las proteínas

Las proteínas son cadenas de aminoácidos que se pliegan en una forma tridimensional. Esa forma determina cómo funciona cada proteína. Predecir la forma a partir de la secuencia de aminoácidos es el problema que se conoce como el plegamiento de proteínas.

Según el Comité Nobel, los investigadores intentaban predecir estructuras desde los años setenta, pero era un problema muy difícil. En 2020, Demis Hassabis y John Jumper presentaron AlphaFold2. Según el comité, con esa herramienta se pudo predecir la estructura de prácticamente todas las 200 millones de proteínas que los investigadores habían identificado hasta 2024.

El artículo de Jumper y colaboradores en Nature, de 2021, explica que AlphaFold participó en el concurso CASP14, de 2020. Ese concurso compara predicciones con estructuras que todavía no se han publicado, así que funciona como una prueba a ciegas.

Para medir la precisión, los científicos usan el ángstrom, que equivale a una diezmillonésima de milímetro. Según el artículo, la mediana de error de AlphaFold en la columna vertebral de la proteína fue de 0,96 ángstroms, frente a 2,8 del mejor método siguiente. El artículo añade que esa precisión es comparable a la de las estructuras medidas en laboratorio en la mayoría de los casos.

El Nobel de 2024

El 9 de octubre de 2024, la Real Academia Sueca de Ciencias premió a David Baker por el diseño computacional de proteínas. La otra mitad fue para Hassabis y Jumper, por predecir estructuras de proteínas. El premio fue de 11 millones de coronas suecas, repartidas en esas dos mitades.

Según el comunicado de 2024, AlphaFold2 había sido usado por más de dos millones de personas en 190 países. Los investigadores lo usan, por ejemplo, para estudiar la resistencia a los antibióticos.

Lo que no hace AlphaFold

Predecir una forma no reemplaza al experimento. El artículo de Jumper dice que la precisión es alta en la mayoría de los casos, no en todos. Además, la predicción da la forma de la proteína, pero no explica por sí sola cómo se comporta en el cuerpo ni cómo responde a un fármaco. Esa parte sigue requiriendo investigación de laboratorio.

Para entender el origen de las redes que usan estos sistemas, lee la guía sobre machine learning y deep learning. Para el contexto del campo, lee la historia de la inteligencia artificial.

Más a fondo

El artículo de AlphaFold describe una red neuronal que incorpora conocimiento físico y biológico sobre la estructura de las proteínas, junto con alineamientos de secuencias. Para un lector que quiera profundizar, esa combinación es la parte clave: el modelo no solo aprende de datos, también usa restricciones que vienen de la biología.

Según DeepMind, el legado de AlphaGo sirvió de base para sucesores como AlphaZero, MuZero y AlphaDev, que buscan resolver problemas más complejos. Esa línea de trabajo muestra que una técnica desarrollada para un juego puede aplicarse a otros problemas.

Para comparar con otro hito de juegos, lee la guía sobre Deep Blue y Kasparov, que se basó más en cálculo que en aprendizaje.