MestreLab: “La experiencia humana y la inteligencia artificial tienen limitaciones diferentes”

Mestrelab Research S.L. es una empresa que surgió como un proyecto de tesis en el Departamento de Química Orgánica de la Universidad de Santiago de Compostela. Inicialmente, se enfrentaron a un problema en el procesamiento de datos obtenidos mediante resonancia magnética nuclear, ya que los instrumentos requerían un tiempo considerable para adquirir los datos y luego procesarlos en el ordenador del instrumento. Esto limitaba la eficiencia y la capacidad de adquirir más experimentos.

Javier Sardina, uno de los cofundadores de Mestrelab Research S.L., propuso la idea de desarrollar un software que permitiera procesar los datos fuera del instrumento, en una plataforma Unix, ya que los software de procesamiento disponibles en ese momento solo funcionaban en Unix. Carlos Cobas, el segundo fundador y programador químico, se encargó de desarrollar este software, que finalmente se convirtió en su proyecto de tesis.

Posteriormente, Javier y Carlos comenzaron a poner el software en línea para que otros laboratorios pudieran descargarlo y probarlo. Esto permitió que el software ganara popularidad y recibiera aportes de diferentes laboratorios alrededor del mundo. En ese momento, el software era gratuito.

Con el tiempo, surgió la posibilidad de crear una spin-off de la Universidad de Santiago, coincidiendo con el inicio del programa UniEmprende, el primer programa de spin-off de la universidad. En ese momento, año 2003, Santiago Domínguez, CEO de Mestrelab Research S.L. y tercer socio se unió al proyecto, y decidieron darle un enfoque comercial al proyecto para llevarlo al mercado.

En el año 2004, fundaron oficialmente la empresa. Comenzaron trabajando desde un apartamento con dos portátiles, adoptando el enfoque del trabajo remoto que ahora es tan común. En ese momento, uno de los socios vivía en Inglaterra, ya que tenían mejor acceso al mercado británico desde allí. La transición de ofrecer el software de forma gratuita a cobrar por él no fue fácil, pero lograron ganar tracción y la empresa comenzó a crecer.

Actualmente, Mestrelab Research S.L. no solo ofrece soporte para resonancia magnética, sino que también abarca diversas técnicas de laboratorio, como cromatografía líquida, cromatografía de gases, espectroscopia óptica, entre otras. Su enfoque principal sigue siendo permitir a los científicos extraer la máxima calidad y cantidad de información posible de los datos experimentales, utilizando algoritmos de procesamiento de señales y aprovechando la inteligencia artificial para la interpretación y el análisis. Hoy en día, Mestrelab Research S.L. cuenta con más de 80 empleados y continúa evolucionando su historia.

Sector de la investigación

– ¿Cómo está el sector de la investigación tanto en España como en Europa y si quieres compararlo con Estados Unidos u otras regiones del mundo?

Principalmente, tengo una perspectiva de España, Europa y el Reino Unido. En cuanto al estado del sector, es evidente que en Estados Unidos hay mucha más financiación para la I+D. Sin embargo, es importante distinguir entre la investigación en instituciones públicas y privadas. En el ámbito privado, creo que los problemas son similares, pero en las instituciones públicas y académicas, así como en los centros de investigación, Estados Unidos cuenta con una financiación mucho mayor para la investigación, al igual que otros países como Corea y Japón. Esto se refleja en el porcentaje del PIB que estos países destinan a la investigación.

Es cierto que en Estados Unidos, la Academia cuenta con un exitoso modelo de financiación privada a través de donaciones y la explotación de patentes en grandes universidades, entre otros. En Europa, tenemos una desventaja en ese sentido, ya que estamos menos financiados, pero también tenemos la ventaja de poder hacer más con menos recursos. Al final, la necesidad agudiza el ingenio. Desde mi perspectiva, es más fácil obtener financiación para proyectos en Estados Unidos debido a su mayor financiamiento, lo que les permite ser más competitivos. Sin embargo, los proyectos competitivos en Europa, especialmente en España, tienden a ser de alta calidad.

En España, por ejemplo, se genera mucha ciencia de calidad en nuestro campo, que son las ciencias de la vida. Lo que no se ha hecho tan bien en el pasado es transferir esa ciencia a iniciativas comerciales o de transferencia tecnológica. En la industria ocurre algo similar. Cuando lanzas una empresa o una startup en Europa o en Estados Unidos, que implica una componente significativa de investigación y, por lo tanto, una inversión inicial considerable para que el proyecto avance, es mucho más fácil financiarla en Estados Unidos. Por lo general, las rondas de financiación son mucho mayores, lo que permite obtener más capital, acelerar el proceso y aumentar las posibilidades de éxito.

Es cierto que en la actualidad, el capital público en Europa está supliendo en cierta medida esta brecha, a través de fondos como Next Generation y otras formas de ayuda, subvenciones y préstamos proporcionados por las administraciones públicas. Estos fondos cubren la fase inicial de transferencia y, en algunos casos, continúan apoyando a la empresa hasta que se vuelva sostenible. Esto es algo que en Estados Unidos no es necesario, ya que el capital privado comprende el riesgo y está dispuesto a invertir en cantidades mucho mayores.

Fondos de Inversiones

– En noviembre de 2022, Bio & Tech Smart Capital anunció el cierre de su primera captación de recursos con más de 5 millones de euros de capital privado. ¿Qué tipos de proyectos vais a financiar con ese presupuesto o qué idea tenéis de cómo lo vais a destinar?

Los socios de MestreLab, Javier, Carlos y yo, hemos creado un instrumento de inversión llamado Sémola Technology Ventures. Como su nombre indica, nuestro objetivo es financiar la primera fase de empresas que acaban de salir de la universidad y necesitan ese capital inicial para convertirse en proyectos empresariales relevantes y sostenibles.

Bio & Tech Smart Capital es un fondo de capital riesgo que he creado personalmente en colaboración con el Grupo Zendal y con otra empresa de capital riesgo gallega llamada Noso Capital. Nuestra meta es recaudar 50 millones de euros: el primer cierre se hizo con cinco millones y el objetivo total del fondo son 50 millones. Estos 50 millones se destinarán a invertir en empresas en una fase ligeramente más avanzada, es decir, en empresas que empiezan a tener tracción comercial, con el propósito de ayudarlas. En su mayoría, se trata de empresas tecnológicas relacionadas con las ciencias de la vida, como biotecnología, dispositivos médicos, diagnóstico, y también digitalización aplicada a foodtech, medtech y adtech, es decir, tecnología agrícola, alimentación y tecnología médica.

Nuestra intención es acelerar estos proyectos para que sean competitivos a nivel internacional y buscar oportunidades en los mercados internacionales. Como fondo de capital riesgo, nuestro objetivo es generar rentabilidad para nuestros inversores a través de la venta de la empresa o su salida a los mercados bursátiles. Para la mayoría de estos proyectos, el objetivo final es probablemente la cotización en el Nasdaq, aunque en muchos casos también se podrían realizar ventas a lo largo del camino.

Además, nuestro objetivo es impulsar el sector en Galicia con la financiación que aportamos, lo que probablemente lleve a rondas adicionales en las que participarán otros fondos para cubrir la necesidad de financiamiento y permitir el crecimiento rápido y la expansión de estos proyectos. No queremos que todos los grandes proyectos tecnológicos se desarrollen únicamente en Estados Unidos, como ocurrió en la última revolución industrial. Nuestra meta es que, dado que se produce una excelente investigación en ciencias de la vida, como en España y en Europa en general, también se creen empresas competitivas a nivel internacional y se reparta un poco esa oportunidad.

Inteligencia Artificial

– ¿Cómo funciona el procesamiento de imágenes a través de la inteligencia artificial y cómo lo emplean en el diagnóstico y tratamiento de enfermedades neurodegenerativas?

En realidad, el valor de nuestro trabajo radica en el procesamiento de imágenes médicas. El diagnóstico de enfermedades neurodegenerativas a través de imágenes médicas es algo establecido, que tradicionalmente ha sido realizado por especialistas como radiólogos o neurólogos, a veces en colaboración. Sin embargo, este enfoque presenta dificultades y sesgos en la interpretación humana. Además, al revisar numerosas imágenes, los humanos pueden cansarse, lo que puede llevar a errores.

Aquí es donde entra en juego QubioTech Health, utilizando algoritmos de inteligencia artificial basados en técnicas de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning). El software se entrena con una amplia variedad de imágenes médicas que abarcan diferentes enfermedades y diferentes etapas de progresión de la enfermedad. Con base en este entrenamiento, el software es capaz de identificar problemas y realizar diagnósticos.

Sin embargo, en este momento no consideramos que la tecnología de QubioTech Health reemplace por completo el diagnóstico realizado por profesionales médicos. En cambio, la vemos como una herramienta de apoyo para radiólogos y neurólogos. Cuando un especialista revisa numerosas imágenes, es posible que un 10% de ellas no estén del todo claras debido al cansancio u otros motivos. El software brinda una segunda opinión, lo que obliga al especialista a revisar nuevamente esas imágenes y reduce significativamente los errores médicos.

Si bien estamos trabajando hacia una automatización completa, creemos que todavía hay trabajo por hacer tanto en el fortalecimiento de la capacidad tecnológica como en la confianza de los profesionales médicos. Existe una responsabilidad legal en caso de que un médico cometa un error, pero ¿quién asume la responsabilidad si la inteligencia artificial comete un error? Por lo tanto, en este momento, QubioTech Health se posiciona como una herramienta de apoyo. La herramienta es muy efectiva, ha obtenido excelentes resultados y ya está en el mercado, colaborando con varios hospitales y grupos médicos.

El feedback que recibimos es muy positivo, está claro que aporta valor. Con la financiación proporcionada por Sémola y otro inversor, nuestro objetivo es acelerar el crecimiento y aumentar la capacidad comercial, especialmente a nivel internacional. Si bien hemos tenido éxito al vender a hospitales en España, este no es solo un problema que enfrentan los hospitales y médicos en nuestro país, sino un desafío global.

– ¿Quieres decir que la inteligencia artificial, por el momento, requiere de una revisión continua incluso cuando se busca automatizarla?

En nuestro caso, planteamos que sí. Podría no requerirla, pero nosotros posicionamos nuestro proyecto como una herramienta de apoyo. Aunque la calidad ya es lo suficientemente buena para automatizarla por completo, aún existen aspectos que no están totalmente resueltos. Por lo tanto, al principio lo abordamos de esa manera.

Tecnologías emergentes

– ¿Contempláis la posibilidad de introducir otras tecnologías emergentes? Por ejemplo, ¿habéis considerado el uso de herramientas de metaverso para el estudio de imágenes en tres dimensiones en lugar de las tradicionales imágenes planas en dos dimensiones?

En cuanto a la realidad virtual, no es algo que hayamos explorado específicamente para esta aplicación en particular. Sin embargo, hemos visto su uso en algunas de las aplicaciones en las que MestreLab emplea inteligencia artificial, especialmente en terapias dirigidas a dianas terapéuticas.

En este contexto, es un problema tridimensional en el que se analiza si un tratamiento, que es una molécula en tres dimensiones en un medio como plasma o un líquido, se ajusta topográficamente a la parte de la proteína con la que se pretende interactuar. Aquí existen muchas oportunidades en términos de simulación 3D, realidad virtual, entre otros.

En el campo del diagnóstico neurodegenerativo, ya trabajamos con imágenes en tres dimensiones, ya que lo que se obtiene es un mapa en dos dimensiones del cerebro, con colores que representan las intensidades. Esto permite obtener una especie de relieve, que nuestro software comprende. Es posible que no sea necesario tener el mapa en 3D real, ya que el software es más sensible al color y a la intensidad, lo que proporciona información sobre el relieve tridimensional de manera más precisa que el ojo humano. Esa es una de las ventajas que ofrece el software: la capacidad de interpretar el color y la intensidad para obtener información sobre el relieve tridimensional.

Centro de Investigación

– Pregunta: En diciembre de 2022 anunciaron la creación de un centro de investigación. En cuanto a la parte de financiación tengo entendido que son 9,2 millones, de los cuales cerca del 50% lo facilita la Xunta de Galicia. ¿Podría contarme un poco sobre cómo va la creación de ese centro?

El presupuesto para el Centro de Investigación es de 9,8 millones y la Xunta aporta 4,2 millones para el proyecto. Ya hemos comenzado a trabajar en la creación del centro. Hemos adquirido el edificio y hemos iniciado los trabajos. Nuestra meta es finalizar el proyecto en verano de 2024, así que nos queda aproximadamente un año.

Actualmente estamos realizando las labores de construcción y adecuación del edificio. Se trata de un edificio industrial histórico ubicado en Santiago de Compostela, que estuvo abandonado durante 25 años, por lo que requiere una importante labor de restauración. Este proyecto nos entusiasma mucho, no solo por la oportunidad de acelerar nuestra I+D, sino también por la recuperación de este edificio con valor arquitectónico. Es un edificio que resultaba difícil de utilizar para proyectos privados debido a las restricciones de licencias y su ubicación en el centro de Santiago, donde generalmente se encuentran hoteles y restaurantes. Los edificios industriales no son idóneos para este tipo de negocios.

Normalmente, las empresas industriales se establecen en polígonos industriales con costos más bajos y acceso a instalaciones exteriores. En nuestro caso, la ubicación es perfecta, ya que está justo al lado del campus universitario conocido como el Campus Vida de la Universidad de Santiago, uno de los campus más destacados en ciencias de la vida en Europa. Literalmente, cruzamos la calle y estamos en el Centro de Investigaciones Químicas; cruzamos en otra dirección y llegamos al Centro de Investigaciones Médicas. Esta proximidad es ideal. Era difícil encontrar una empresa que necesitara estas instalaciones y que se ajustara a las necesidades de la empresa, pero se ha dado el caso gracias al enfoque que tenemos en la I+D.

– Con este centro se abrirán nuevas líneas de investigación en el campo de la biotecnología en disciplinas como inteligencia artificial, algoritmia avanzada y gestión de datos científicos para la aceleración de procesos de investigación y desarrollo. ¿Qué proyectos tienen ya planteados? ¿O van a esperar a abrir para que les lleguen?

Ya tenemos proyectos planteados. Son todos proyectos propios de MestreLab y, en realidad, lo que nos sucede es que ya estamos trabajando en estas líneas, pero necesitamos acelerar e incrementar considerablemente nuestra capacidad. Nos estamos enfocando especialmente en acelerar la investigación y desarrollo de nuevos materiales, que incluyen fármacos, materiales y alimentos. Estamos centrados en la investigación y desarrollo en las industrias biotecnológica, biofarmacéutica, química y de alimentos.

Para lograrlo, nuestro objetivo es automatizar en la medida de lo posible todos los procesos dentro de la I+D. Por lo tanto, hay una serie de proyectos que nos ayudarán a lograrlo. Por ejemplo, la automatización de la evaluación de datos de laboratorio. Como mencioné al principio, solíamos enfrentar el problema de que las personas pasaban una hora frente a un espectro tratando de comprender lo que les decía y bloqueando el instrumento. Hoy en día, ese problema ya no existe porque realizan ese análisis en su propio ordenador portátil, en casa o donde sea.

Sin embargo, todavía se invierte mucho tiempo en la interpretación de esos datos. Este es un problema complejo cuando se trata de utilizar la inteligencia artificial, pero creemos que es un problema que se puede resolver. Lo que lograríamos es liberar entre el 40% y el 50% del tiempo de los investigadores en esas tareas para que puedan dedicarse a actividades de mayor valor añadido, como diseñar fármacos, en lugar de tener que invertir tiempo en decidir si el producto de una reacción es el deseado o si presenta impurezas que se pueden utilizar como modelos animales o humanos.

Nuestro objetivo es acelerar y eliminar todas estas tareas que no aportan el mayor valor añadido. Además, buscamos aportar a la fase de diseño de nuevos fármacos, aprovechando la inteligencia artificial para generar ideas y explorar campos de investigación mucho más amplios. La experiencia humana y la inteligencia artificial tienen limitaciones diferentes. Nosotros hemos visto y experimentado ciertas cosas que condicionan nuestra capacidad de invención, pero la inteligencia artificial ha tenido acceso a lo que está en mi mente, en la tuya y en la de muchas otras personas. A ese nivel, puede aportar mucho. Por lo tanto, todos los proyectos se alinean con esta dirección.

– ¿Existe alguna diferenciación entre los sectores en cuanto a la aplicación de la inteligencia artificial? Por ejemplo, entre el desarrollo de productos farmacéuticos, médicos y el sector alimentario en el que también se enfocan.

Sí, hasta cierto punto existen diferencias. En el caso de la industria farmacéutica, por ejemplo, se trabaja con moléculas químicas, lo que conlleva una serie de desafíos adicionales. Es necesario poder representar y comprender las moléculas. No se puede enseñar a una inteligencia artificial a generar moléculas sin que primero entienda su naturaleza, ya que son entidades completamente distintas a una imagen.

En el ámbito de la alimentación, por otro lado, la problemática tiende a estar relacionada con las mezclas, lo cual es un desafío completamente diferente. Sin embargo, también se requiere una representación adecuada y una comprensión por parte de la inteligencia artificial para su desarrollo. Cada sector tiene problemáticas específicas, pero comparten una tecnología común, como el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), que se basan en el procesamiento de grandes volúmenes de datos para el entrenamiento.

Por lo general, se utilizan conjuntos de datos separados para evaluar la calidad de la inteligencia artificial. Además, en el campo de la biotecnología, se trabaja con proteínas, anticuerpos monoclonales y ADN, que son entidades mucho más grandes. Estas moléculas no se pueden representar de la misma manera que una molécula más pequeña, ya que su estructura tridimensional es de mayor importancia. Esto añade desafíos adicionales, ya que a menudo se conoce parte de la estructura de la molécula, pero no toda, lo que requiere que los modelos tengan en cuenta la incertidumbre de las partes aún no caracterizadas.

Relación con las farmacéuticas

– ¿Cómo entendéis la relación entre MestreLab y las farmacéuticas a la hora de desarrollar inteligencia artificial para procesos de creación de nuevos fármacos o productos alimentarios?

Los entendemos como partners. Al final, estamos muy especializados en ciertas partes del proceso en las que las farmacéuticas normalmente no se involucran. Es decir, nos enfocamos en el tratamiento de datos analíticos provenientes de instrumentación de laboratorio, que es un área de especialidad específica para nosotros. Aunque existen otras empresas en el mundo y hay competidores, generalmente no son las farmacéuticas, sino nuestros clientes.

Ellos nos proporcionan datos y colaboran en el desarrollo, ya que necesitamos datos relevantes de la industria para construir modelos, por ejemplo. Ellos prueban nuestros avances y ven su utilidad, lo que genera un ciclo continuo de retroalimentación en el que mejoramos nuestras herramientas con su colaboración y financiamiento. Al comprar productos, se financia nuestra investigación y desarrollo (I+D).

En algunos campos, como el diseño de fármacos, hay cierto solapamiento, ya que las propias industrias farmacéuticas tienen grupos que trabajan en esas tecnologías. Sin embargo, lo que nosotros aportamos complementa sus esfuerzos. Dado que trabajamos con conjuntos de datos diferentes, ampliamos el campo de conocimiento. Las farmacéuticas son expertas en profundizar en sus áreas de especialidad, que no son las mismas en cada empresa.

Por otro lado, nosotros también contribuimos con esa competencia global, ya que recibimos datos de instituciones académicas a las que las compañías farmacéuticas no tienen acceso. En el caso de la inteligencia artificial, es prácticamente un “cuanto más, mejor”, ya que tener una mayor variedad y cantidad de datos hace que nuestros modelos sean más poderosos y tengan una mayor capacidad para abarcar un rango más amplio de soluciones.

– Al tener acceso a los proyectos que desarrollan las distintas farmacéuticas, ¿podéis tener una idea general de las necesidades que tienen todas esas empresas, por lo que tenéis un know-how bastante rico?

Sí, tenemos un know-how elevadísimo. Es cierto que, en general, en el caso de las farmacéuticas, no solemos tener acceso a muchos de sus datos, ya que son altamente confidenciales. Sin embargo, en el caso de las instituciones académicas, es ahí donde aportamos nuestro conocimiento. Si lo analizamos, el 80% de la experimentación e investigación química hoy en día se realiza en instituciones académicas y es financiado por capital público y administraciones públicas. Estos datos son más fáciles de compartir, ya que su objetivo es publicarse y ser utilizados. Son precisamente esos datos los que contribuyen en gran medida a nuestra tecnología.

Por lo tanto, tenemos un know-how muy amplio y menos limitado desde ese punto de vista. Eso es lo que aportamos a la ecuación. Y no solo nosotros, también hay una gran cantidad de personas trabajando en la prevención y en la inteligencia artificial aplicada al diseño y desarrollo de fármacos, como grupos académicos, startups y grandes empresas.

Además, en nuestro equipo contamos con personas que provienen de la industria, y muchos de los científicos que lideran nuestro desarrollo han trabajado en empresas como Astrazeneca, Lilly, CSK y otras. Esto nos permite aglutinar ese conocimiento y comprender cuál es el próximo producto que nuestros clientes necesitan.