Las malas hierbas están aprendiendo a sobrevivir a los productos químicos de los que dependen los agricultores, y esos productos plantean sus propias dudas sanitarias. Un equipo liderado por el MIT ha recibido hasta 53 millones de dólares de ARPA-H, la agencia estadounidense de investigación en salud, para usar IA generativa en el diseño de herbicidas alternativos pensados para la salud humana. Es un buen ejemplo del diseño de moléculas con IA pasando de la medicina a la agricultura, con una prueba clara de si las predicciones aguantan en un invernadero.
Lo que está en juego es mucho. En Estados Unidos se usan más de 1.000 millones de libras de herbicida al año. Las malas hierbas desarrollan resistencia a los productos más comunes, entre ellos el glifosato, que actúa bloqueando una enzima vegetal llamada EPSP sintasa, y la atrazina. La exposición a herbicidas puede contribuir a un mayor riesgo de cáncer y de trastornos metabólicos y endocrinos, y los trabajadores agrícolas están especialmente expuestos. El MIT dice que las nuevas alternativas también podrían reducir la dependencia estadounidense del fósforo importado, ingrediente clave del glifosato. Christopher Voigt, director del Departamento de Ingeniería Biológica del MIT e investigador principal del proyecto, advierte de que la resistencia sumada al riesgo en la cadena de suministro podría dejar al país sin productos agrícolas esenciales.
El proyecto, llamado PLOW, dentro del programa STREAM de ARPA-H, se divide en tres equipos. El primero, dirigido por Connor Coley y Regina Barzilay, del MIT, con Alexander Tropsha, de la Universidad de Carolina del Norte, creará modelos generativos que propongan moléculas, compuestos químicos o ARN pequeño de interferencia, que alteren las mismas enzimas vegetales que atacan los herbicidas actuales con poco riesgo de resistencia o de daño a las personas y los ecosistemas. Se espera que los modelos generen miles de millones de candidatas. Un equipo de cribado del MIT y el Broad Institute las probará a gran escala y devolverá los resultados para mejorar los modelos. Un tercer equipo, con la Universidad de Tennessee, la de Illinois y la empresa emergente Robigo, hará ensayos en invernadero, y las primeras pruebas de candidatas basadas en ARN deberían completarse al final del primer año del programa. El equipo también diseñará microbios que degraden los agroquímicos antes de que lleguen a los alimentos, el suelo o el agua.
El ciclo de diseño, generar, cribar y retroalimentar, es el mismo que sostiene el descubrimiento de fármacos con IA, y el grupo de Barzilay ya ha usado modelos generativos para enfermedades difíciles de tratar. Lo que cambia aquí es el objetivo: plantas en lugar de personas.
Las salvedades son importantes. Es un anuncio de financiación, no un resultado. Hasta 53 millones es un techo, no una garantía, y aún no se ha presentado ninguna molécula. Generar miles de millones de candidatas es fácil; encontrar las que sean eficaces, baratas de fabricar, seguras y lentas en provocar resistencia en campos reales es lo difícil, y la aprobación regulatoria de cualquier herbicida nuevo lleva años.