La ‘IA’ y las ‘técnicas cuánticas’ podrían ser la solución para librarnos de los ‘microplásticos’

Publicado el: 8 de abril de 2025 a las 16:30
Síguenos
IA técnicas cuánticas microplásticos

La comida, el agua y el aire están cargados de trozos invisibles de plástico que, muchas veces, llegan allí de maneras inesperadas, para luego terminar dentro del cuerpo humano. Las sustancias llamadas microplásticos alcanzan a alojarse en los pulmones, los intestinos, los testículos, el útero y hasta el tejido cerebral.

La creciente preocupación sobre los microplásticos ha despertado un interés renovado por comprender el impacto ambiental de estas partículas. A pesar de su pequeño tamaño, su presencia en océanos, suelos y, por consiguiente, en el cuerpo humano ha hecho necesaria una investigación a fondo para comprender sus efectos.



Los microplásticos, partículas compuestas total o parcialmente por polímeros sintéticos y con un tamaño inferior a 5 mm han emergido como una amenaza silenciosa para nuestro medio ambiente. Además de los microplásticos, existen otros rangos de tamaño de los plásticos que están representados por mega, macro y meso plásticos.

Estudiando el impacto de los microplásticos

Un nuevo método combina inteligencia artificial generativa y técnicas cuánticas para diseñar secuencias de aminoácidos capaces de adherirse a distintos plásticos. El objetivo del nuevo estudio es desarrollar tecnologías basadas en péptidos que ayuden a encontrar, capturar y destruir estas partículas microscópicas que contaminan los ecosistemas y dañan la salud humana.



Los microplásticos, partículas de plástico de menos de 5 mm, son contaminantes que se encuentran ya en todas partes, desde la leche materna hasta la nieve antártica. Un equipo liderado por Fengqi You, de la Universidad de Cornell (EE UU), ha utilizado una serie de herramientas para identificar péptidos capaces de capturar y retener estas diminutas partículas, que podrían utilizarse para eliminarlas de diversos entornos.

Los péptidos son cadenas de aminoácidos con funciones específicas y secuenciables, que pueden destruir los microplásticos al unirse a su superficie y facilitar las reacciones químicas que los descomponen. Sin embargo, no se han identificado aglutinantes peptídicos para muchos plásticos, y su creación supone un reto debido a la falta de datos sobre la adsorción de estos materiales.

El estudio, publicado en Science Advances, presenta los resultados de un método que combina modelos generativos de IA, entrenados para predecir las propiedades de los péptidos, con computación cuántica, que mejora sus diseños para plásticos específicos. Esta técnica permite explorar rápidamente una amplia variedad de secuencias de aminoácidos y acelerar el descubrimiento de nuevos péptidos en comparación con el proceso iterativo de prueba y error.

“Los científicos no disponen de los conjuntos de datos necesarios para trabajar con péptidos dirigidos a microplásticos del mismo modo que lo hacen para algunas aplicaciones médicas, y ahí es donde entra en juego la cuántica”, explica Fengqi You, catedrático Roxanne E. y Michael J. Zak de Ingeniería de Sistemas Energéticos en Cornell.

IA + cuántica como refuerzo

“En esencia, abordamos el descubrimiento de péptidos adecuados para limpiar microplásticos como un problema de IA, pero utilizamos la cuántica como un refuerzo. Esta tecnología puede evaluar simultáneamente una gran cantidad de posibles secuencias de aminoácidos, algo que no es viable con la computación clásica”, dice You.

Según comenta el autor principal, “la computación cuántica explora de manera eficiente el vasto espacio combinatorio de las secuencias peptídicas, mientras que la IA orienta esta búsqueda al identificar regiones prometedoras a partir de las relaciones aprendidas entre la estructura del péptido y su afinidad de unión. Al combinar ambas tecnologías, es posible descubrir con mayor rapidez péptidos optimizados para la captura de microplásticos”.

El planteamiento híbrido cuántico-clásico desarrollado en este estudio permitió descubrir péptidos con gran afinidad de unión al tereftalato de polietileno, también conocido como plástico PET, que además conservaban una solubilidad en agua compatible con el medio ambiente, señala la Universidad de Cornell en un comunicado.

“Esta afinidad se debe a la presencia de residuos voluminosos e hidrófobos, como el triptófano y la fenilalanina, que establecen fuertes interacciones de van der Waals [fuerzas de atracción entre moléculas sin enlaces químicos, que pueden estabilizar la unión al plástico]. Estas uniones contrarrestan el efecto desfavorable de la solvatación, lo que refuerza la unión del péptido al plástico”, detalla You.

Simulaciones de dinámica molecular

Según el investigador, el equipo validó los resultados “mediante extensas simulaciones de dinámica molecular para calcular las energías de unión. Las simulaciones confirmaron la elevada afinidad prevista de los péptidos y proporcionaron confianza antes de los experimentos de laboratorio previstos”.

Estos hallazgos confirmaron “el potencial de los péptidos en futuras aplicaciones en sistemas de tratamiento de aguas, biosensores de microplásticos y microbios artificiales diseñados para degradar plásticos”, señala la institución.

“El trabajo llega en un momento en que el potencial transformador de la IA ha sido reconocido en todo el mundo para aplicaciones como la predicción de la estructura de proteínas y otras aplicaciones biológicas y médicas”, agrega You.

El investigador aclara que el método está diseñado para funcionar dentro de las limitaciones actuales de la computación cuántica. Aprovecha las simulaciones en hardware clásico y se mantiene adaptable a los avances de la tecnología cuántica a medida que madura. También matiza que “antes de su aplicación práctica, los péptidos deben validarse experimentalmente en condiciones ambientales realistas, comprobar su estabilidad y solubilidad y optimizar su síntesis a gran escala”.

El equipo llevó a cabo una investigación complementaria, también liderada por Fengqi You, que aplicó la computación cuántica, la IA y el modelado biofísico para diseñar péptidos para otros plásticos comunes, como el polietileno y el polipropileno. Ese trabajo se publicó recientemente en PNAS Nexus.