Escrito por Cassidy Luong
Cuando entras a LinkedIn, a menudo te sugiere personas que podrías conocer: antiguos compañeros de trabajo, compañeros de clase o incluso conexiones sorprendentes, como tu cuñado, aunque trabajen en sectores totalmente diferentes. Esto no es una simple coincidencia. Es el resultado de algoritmos complejos basados en algo llamado Redes Neuronales de Grafos (GNNs), un tipo de inteligencia artificial que utiliza grafos (redes de puntos de datos conectados) para identificar patrones y hacer predicciones.
En LinkedIn, cada usuario es un nodo, y las conexiones entre usuarios forman los enlaces. El algoritmo recopila información de la red inmediata de cada usuario—amigos, compañeros de trabajo, empresas seguidas, publicaciones con las que se ha interactuado—y usa múltiples capas de análisis para detectar relaciones más profundas. Esto significa que, incluso si tú y otra persona no están directamente conectados, el sistema puede vincularlos a través de contactos mutuos, intereses compartidos o interacciones similares.
Entonces, ¿y si esta misma tecnología pudiera utilizarse para mejorar la salud?
Desarrollar un fármaco nuevo desde cero lleva años y requiere una inversión financiera enorme. Por eso, el reposicionamiento de medicamentos—es decir, encontrar nuevos usos para fármacos ya existentes—se ha vuelto una estrategia cada vez más popular. En lugar de crear nuevas moléculas, los científicos tratan de descubrir si medicamentos ya aprobados para una enfermedad podrían servir para tratar otra.
Aquí es donde entra en juego la inteligencia artificial basada en grafos. En la investigación biomédica, los científicos están creando grandes bases de datos que muestran qué medicamentos interactúan con qué proteínas en el cuerpo. Dado que muchas enfermedades están relacionadas con proteínas específicas, comprender estas conexiones entre fármacos y proteínas es fundamental. Una de estas bases de datos, DrugBank, ha pasado de listar poco más de 800 fármacos aprobados en 2006 a casi 2.800 en 2024.
Los investigadores pueden construir un grafo en el que los nodos representan fármacos y proteínas, y los enlaces muestran las interacciones conocidas. Usando un algoritmo similar al de las recomendaciones de LinkedIn, la IA puede predecir nuevas interacciones entre fármacos y proteínas que aún no han sido probadas, pero que probablemente existan. Estas predicciones luego pueden validarse en el laboratorio, lo que permite ahorrar tiempo y dinero al reducir las opciones a investigar.
En la Universidad de Navarra, los investigadores han desarrollado una herramienta llamada GeNNius, que aplica este enfoque. Es capaz de analizar casi 23.000 interacciones potenciales en solo un minuto. El modelo ha mejorado métodos anteriores al ofrecer resultados más rápidos sin perder precisión en sus predicciones.
Sin embargo, todavía existen desafíos. El sistema funciona mejor cuando trabaja con medicamentos y proteínas bien documentados. Si hay poca información sobre una molécula específica, el algoritmo puede generar predicciones menos confiables. Aun así, con más datos e investigación, herramientas como GeNNius podrían llegar a ser recursos valiosos para el desarrollo de medicina personalizada, ofreciendo recomendaciones adaptadas a cada paciente según su perfil biológico único.
En resumen, una tecnología que te ayuda a encontrar conexiones profesionales hoy podría, en el futuro, ayudar a los médicos a encontrar tratamientos que salven vidas de forma más rápida y económica.
Fuente:
Hernaez, Mikel, y Uxía Veleiro. “¿Cómo puede un algoritmo como el de LinkedIn encontrar nuevos usos para fármacos ya existentes?” The Conversation, 7 de julio de 2025. Consultado el 7 de julio de 2025.