Premio Nobel de Química para los desarrolladores de AlphaFold AI por predecir estructuras de proteínas

Premio Nobel de Química para los desarrolladores de AlphaFold AI por predecir estructuras de proteínas

Por primera vez (y ciertamente no será la última) un avance científico posible gracias a la inteligencia artificial ha recibido el Premio Nobel. El Premio Nobel de Química 2024 fue otorgado en Londres a John Jumper y Demis Hassabis de Google DeepMind por el desarrollo de un innovador Herramientas de inteligencia artificial para la predicción de la estructura de proteínas llamadas AlphaFold, y a David Baker de la Universidad de Washington en Seattle por su trabajo sobre diseño computacional de proteínas durante los últimos años. fue revolucionado por la IA.

Los efectos de AlphaFold, que fue revelado hace unos años, son nada menos que transformadores. La herramienta ha hecho que la predicción de estructuras de proteínas (a menudo, pero no siempre, muy precisa) sea accesible para los investigadores con solo tocar un botón, permitiendo experimentos que eran impensables hace una década. Los biólogos hablan ahora de una era “antes de AlphaFold” y “después de AlphaFold”.

"Poder predecir la estructura tridimensional de las proteínas a partir de sus secuencias de aminoácidos ha sido durante mucho tiempo un sueño. Durante décadas esto se consideró imposible", afirmó durante el anuncio del premio Heiner Linke, presidente del Comité Nobel y nanocientífico de la Universidad de Lund en Suecia. Los homenajeados de este año "han descifrado el código", añadió. Los tres ganadores compartirán un premio de 11 millones de coronas suecas (1 millón de dólares).

Excelente IA

DeepMind presentó AlphaFold en 2018 cuando ganó un concurso bienal de predicción de la estructura de proteínas, la Evaluación Crítica de la Predicción de la Estructura de las Proteínas (CASP). Pero era la segunda versión de la red neuronal profunda, que fue presentado a finales de 2020, lo que provocó un terremoto en las ciencias de la vida.

Muchas de las predicciones de AlphaFold2 en CASP fueron tan precisas que no se podían distinguir de las estructuras proteicas determinadas experimentalmente. Esto llevó a John Moult, cofundador de CASP y biólogo computacional de la Universidad de Maryland en College Park, a declarar en 2020, que “el problema se ha solucionado de cierta manera”.

Hassabis, cofundador y director ejecutivo de DeepMind, y Jumper, líder del equipo AlphaFold, lideraron el desarrollo de AlphaFold2. Para predecir las estructuras de las proteínas, la red neuronal integra estructuras similares de bases de datos que contienen cientos de miles de estructuras determinadas experimentalmente y millones de secuencias de proteínas relacionadas, que contienen información sobre sus formas.

En 2021, Mente profunda El código subyacente de AlphaFold2 está disponible de forma gratuita, junto con los datos necesarios para entrenar el modelo. Uno Base de datos AlphaFold, preparado en colaboración con el Laboratorio Europeo de Biología Molecular y el Instituto Europeo de Bioinformática en Hinxton, Reino Unido, ahora contiene las estructuras de la mayoría de las proteínas de todos los organismos representados en bases de datos genéticas: un total de alrededor de 214 millones de predicciones. Este año la empresa presentó uno tercera versión de AlphaFold que también puede modelar otras moléculas que interactúan con proteínas, como los medicamentos.

La revolución que han desatado Jumper, Hassabis y sus colegas aún se encuentra en sus primeras etapas, y es posible que no se conozca el impacto total de AlphaFold en la ciencia hasta dentro de años. Pero la herramienta ya está ayudando a los científicos a obtener nuevos conocimientos.

Un equipo pionero utilizó la herramienta, junto con datos experimentales, para complejo de poros nucleares mapear, una de las máquinas más grandes de nuestras células que transporta moléculas dentro y fuera del núcleo celular. El año pasado, dos equipos analizaron toda la base de datos AlphaFold para descubrir los rincones más profundos del universo proteico, identificando nuevas familias y pliegues de proteínas y conexiones sorprendentes en la maquinaria de la vida.

Muchos investigadores esperan que AlphaFold y otras herramientas de inteligencia artificial que ha inspirado transformen la medicina. Sin embargo, es todavía no está claro, cómo, o si, AlphaFold agilizará el costoso y multipaso proceso de desarrollo de nuevos medicamentos seguros.

Creando nuevas proteínas

Más de una década antes de que DeepMind comenzara a trabajar con AlphaFold, el biofísico computacional David Baker de la Universidad de Washington en Seattle y sus colegas desarrollaron herramientas de software para modelar estructuras de proteínas basadas en principios físicos llamadas Rosetta. La herramienta tuvo un éxito temprano en el diseño de nuevas proteínas.

A lo largo de los años, el equipo de Baker ha aplicado Rosetta para predecir estructuras de proteínas (estaba entre las de mejor desempeño en numerosos CASP antes del reciente dominio de AlphaFold), así como para diseñar proteínas novedosas, como enzimas y nanopartículas de proteínas autoensambladas.

Cuando se anunció AlphaFold2, pero aún no se lanzó, Baker y su equipo, incluido el químico computacional Minkyung Baek, ahora en la Universidad Nacional de Seúl en Corea del Sur, se propusieron comprender el software y aplicar algunos de sus trucos a una versión anterior de Rosetta basada en inteligencia artificial. La primera versión de la red RoseTTAFold resultante funcionó casi tan bien como AlphaFold2. Desde 2021, sus desarrolladores y otros científicos han mejorado continuamente ambas redes para abordar nuevos desafíos, como predecir la estructura de complejos formados por varias proteínas diferentes que interactúan.

En los últimos años, el equipo de Baker ha sido particularmente productivo en la aplicación del aprendizaje automático a la razón de ser de su laboratorio: para crear nuevas proteínas que nunca se han visto en la naturaleza. Una herramienta desarrollada recientemente por el equipo de Baker que combina RoseTTAFold con redes neuronales de difusión generadoras de imágenes ha dado lugar a un salto cuántico en la capacidad de los investigadores para diseñar proteínas.

Aunque las herramientas computacionales como AlphaFold no reemplazan los estudios experimentales, son un acelerador, dicen los científicos. "Esto permitirá a una nueva generación de biólogos moleculares formular preguntas más avanzadas", afirmó el juez del CASP Andrei Lupas, biólogo evolutivo del Instituto Max Planck de Biología del Desarrollo en Tubinga, Alemania. 2020 a la naturaleza.