La inteligencia artificial (IA) ha resuelto uno de los grandes desaf\u00edos de la biolog\u00eda: predecir c\u00f3mo las prote\u00ednas se curvan desde una cadena lineal de amino\u00e1cidos en formas 3D que les permiten llevar a cabo las tareas de la vida. Hoy, los principales bi\u00f3logos estructurales y organizadores de una competencia bienal de plegamiento de prote\u00ednas anunciaron el logro de los investigadores de DeepMind, una empresa de inteligencia artificial con sede en el Reino Unido. Dicen que el m\u00e9todo DeepMind tendr\u00e1 efectos de gran alcance, entre ellos, acelerar\u00e1 dr\u00e1sticamente la creaci\u00f3n de nuevos medicamentos.<\/p>\n\n\n\n
\u201cLo que el equipo de DeepMind ha logrado es fant\u00e1stico y cambiar\u00e1 el futuro de la biolog\u00eda estructural y la investigaci\u00f3n de prote\u00ednas\u201d, dice Janet Thornton, directora em\u00e9rita del Instituto Europeo de Bioinform\u00e1tica. \u201cEste es un problema de 50 a\u00f1os\u201d, agrega John Moult, bi\u00f3logo estructural de la Universidad de Maryland, Shady Grove, y cofundador de la competencia Critical Assessment of Protein Structure Prediction (CASP). “Nunca pens\u00e9 que ver\u00eda esto en mi vida”.<\/p>\n\n\n\n
El cuerpo humano utiliza decenas de miles de prote\u00ednas diferentes, cada una de las cuales es una cadena de decenas a muchos cientos de amino\u00e1cidos. El orden de esos amino\u00e1cidos dicta c\u00f3mo la mir\u00edada de empujes y tirones entre ellos da lugar a las complejas formas tridimensionales de las prote\u00ednas, que, a su vez, determinan c\u00f3mo funcionan. Conocer esas formas ayuda a los investigadores a idear medicamentos que pueden alojarse en los bolsillos y grietas de las prote\u00ednas. Y ser capaz de sintetizar prote\u00ednas con una estructura deseada podr\u00eda acelerar el desarrollo de enzimas que producen biocombustibles y degradan los residuos pl\u00e1sticos.<\/p>\n\n\n\n
Durante d\u00e9cadas, los investigadores descifraron las estructuras 3D de las prote\u00ednas utilizando t\u00e9cnicas experimentales como la cristalograf\u00eda de rayos X o la microscop\u00eda crioelectr\u00f3nica (crio-EM). Pero estos m\u00e9todos pueden llevar meses o a\u00f1os y no siempre funcionan. Se han resuelto las estructuras de solo unas 170.000 de las m\u00e1s de 200 millones de prote\u00ednas descubiertas en las formas de vida.<\/p>\n\n\n\n
En la d\u00e9cada de 1960, los investigadores se dieron cuenta de que si pod\u00edan resolver todas las interacciones individuales dentro de la secuencia de una prote\u00edna, podr\u00edan predecir su forma 3D. Sin embargo, con cientos de amino\u00e1cidos por prote\u00edna y numerosas formas en que cada par de amino\u00e1cidos puede interactuar, el n\u00famero de posibles estructuras por secuencia fue astron\u00f3mico. Los cient\u00edficos computacionales abordaron el problema, pero el progreso fue lento.<\/p>\n\n\n\n
En 1994, Moult y sus colegas lanzaron CASP, que se lleva a cabo cada 2 a\u00f1os. Los participantes obtienen secuencias de amino\u00e1cidos de aproximadamente 100 prote\u00ednas cuyas estructuras no se conocen. Algunos grupos calculan una estructura para cada secuencia, mientras que otros grupos la determinan experimentalmente. Luego, los organizadores comparan las predicciones computacionales con los resultados del laboratorio y dan a las predicciones una puntuaci\u00f3n de prueba de distancia global (GDT). Las puntuaciones superiores a 90 en la escala de cero a 100 se consideran a la par con los m\u00e9todos experimentales, dice Moult.<\/p>\n\n\n\n
Incluso en 1994, las estructuras predichas para prote\u00ednas peque\u00f1as y simples podr\u00edan coincidir con los resultados experimentales. Pero para prote\u00ednas m\u00e1s grandes y desafiantes, los puntajes de GDT de los c\u00e1lculos fueron de aproximadamente 20, “una completa cat\u00e1strofe”, dice Andrei Lupas, juez de CASP y bi\u00f3logo evolutivo del Instituto Max Planck de Biolog\u00eda del Desarrollo. Para 2016, los grupos competidores hab\u00edan alcanzado puntuaciones de alrededor de 40 para las prote\u00ednas m\u00e1s duras, principalmente al extraer informaci\u00f3n de estructuras conocidas de prote\u00ednas que estaban estrechamente relacionadas con los objetivos de CASP.<\/p>\n\n\n\n
Cuando DeepMind compiti\u00f3 por primera vez en 2018, su algoritmo, llamado AlphaFold, se bas\u00f3 en esta estrategia comparativa. Pero AlphaFold tambi\u00e9n incorpor\u00f3 un enfoque computacional llamado aprendizaje profundo, en el que el software se entrena en grandes cantidades de datos, en este caso, las secuencias, estructuras y prote\u00ednas conocidas, y aprende a detectar patrones. DeepMind gan\u00f3 c\u00f3modamente, superando a la competencia en un promedio del 15% en cada estructura y obteniendo puntajes GDT de hasta aproximadamente 60 para los objetivos m\u00e1s dif\u00edciles.<\/p>\n\n\n\n
Pero las predicciones a\u00fan eran demasiado burdas para ser \u00fatiles, dice John Jumper, quien dirige el desarrollo de AlphaFold en DeepMind. “Sab\u00edamos lo lejos que est\u00e1bamos de la relevancia biol\u00f3gica”. Para hacerlo mejor, Jumper y sus colegas combinaron el aprendizaje profundo con un “algoritmo de tensi\u00f3n” que imita la forma en que una persona podr\u00eda armar un rompecabezas: primero conectando piezas en peque\u00f1os grupos, en este caso grupos de amino\u00e1cidos, y luego buscando formas de une los grupos en un todo m\u00e1s grande. Trabajando en una modesta red inform\u00e1tica de 128 procesadores, entrenaron el algoritmo en las 170.000 estructuras proteicas conocidas.<\/p>\n\n\n\n
Y funcion\u00f3. En todas las prote\u00ednas objetivo del CASP de este a\u00f1o, AlphaFold logr\u00f3 una puntuaci\u00f3n mediana de GDT de 92,4. Para las prote\u00ednas m\u00e1s desafiantes, AlphaFold obtuvo una mediana de 87,25 puntos por encima de las siguientes mejores predicciones. Incluso se destac\u00f3 en la resoluci\u00f3n de estructuras de prote\u00ednas que se encuentran encajadas en las membranas celulares, que son fundamentales para muchas enfermedades humanas pero muy dif\u00edciles de resolver con cristalograf\u00eda de rayos X. Venki Ramakrishnan, bi\u00f3logo estructural del Laboratorio de Biolog\u00eda Molecular del Consejo de Investigaci\u00f3n M\u00e9dica, dice que el resultado es “un avance sorprendente en el problema del plegamiento de prote\u00ednas”.<\/p>\n\n\n\n
Todos los grupos en la competencia de este a\u00f1o mejoraron, dice Moult. Pero con AlphaFold, Lupas dice, “El juego ha cambiado”. A los organizadores incluso les preocupaba que DeepMind pudiera haber estado haciendo trampa de alguna manera. Entonces, Lupas estableci\u00f3 un desaf\u00edo especial: una prote\u00edna de membrana de una especie de arqueas, un antiguo grupo de microbios. Durante 10 a\u00f1os, su equipo de investigaci\u00f3n prob\u00f3 todos los trucos del libro para obtener una estructura cristalina de rayos X de la prote\u00edna. “No pudimos resolverlo”.<\/p>\n\n\n\n
Pero AlphaFold no tuvo problemas. Devolvi\u00f3 una imagen detallada de una prote\u00edna de tres partes con dos largos brazos helicoidales en el medio. El modelo permiti\u00f3 a Lupas y sus colegas dar sentido a sus datos de rayos X; en media hora, hab\u00edan ajustado sus resultados experimentales a la estructura prevista de AlphaFold. “Es casi perfecto”, dice Lupas. \u201cNo podr\u00edan haber hecho trampa en esto. No s\u00e9 c\u00f3mo lo hacen”.<\/p>\n\n\n\n
Como condici\u00f3n para ingresar a CASP, DeepMind, como todos los grupos, acord\u00f3 revelar suficientes detalles sobre su m\u00e9todo para que otros grupos lo recrearan. Eso ser\u00e1 una bendici\u00f3n para los experimentadores, que podr\u00e1n utilizar predicciones de estructura precisas para dar sentido a los datos opacos de rayos X y crio-EM. Tambi\u00e9n podr\u00eda permitir a los dise\u00f1adores de medicamentos resolver r\u00e1pidamente la estructura de cada prote\u00edna en pat\u00f3genos nuevos y peligrosos como el SARS-CoV-2, un paso clave en la b\u00fasqueda de mol\u00e9culas para bloquearlos, dice Moult.<\/p>\n\n\n\n
A\u00fan as\u00ed, AlphaFold a\u00fan no lo hace todo bien. En el concurso, vacil\u00f3 notablemente en una prote\u00edna, una amalgama de 52 peque\u00f1os segmentos repetidos, que distorsionan las posiciones de los dem\u00e1s a medida que se ensamblan. Jumper dice que el equipo ahora quiere entrenar a AlphaFold para resolver tales estructuras, as\u00ed como las de complejos de prote\u00ednas que trabajan juntas para llevar a cabo funciones clave en la c\u00e9lula.<\/p>\n\n\n\n
Aunque haya ca\u00eddo un gran desaf\u00edo, sin duda surgir\u00e1n otros. “Este no es el final de algo”, dice Thornton. “Es el comienzo de muchas cosas nuevas”.<\/p>\n\n\n\n
Este art\u00edculo es una traducci\u00f3n de otro publicado en\u00a0Science<\/a>.<\/a> Puedes leer el texto original haciendo clic\u00a0aqu\u00ed<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" La inteligencia artificial (IA) ha resuelto uno de los grandes desaf\u00edos de la biolog\u00eda: predecir c\u00f3mo las prote\u00ednas se curvan desde una cadena lineal de amino\u00e1cidos en formas 3D que les permiten llevar a cabo las tareas de la vida. Hoy, los principales bi\u00f3logos estructurales y organizadores de una competencia bienal de plegamiento de prote\u00ednas […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[14],"tags":[],"class_list":["post-2486","post","type-post","status-publish","format-standard","hentry","category-tecnologia"],"_links":{"self":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/2486","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/comments?post=2486"}],"version-history":[{"count":4,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/2486\/revisions"}],"predecessor-version":[{"id":2490,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/posts\/2486\/revisions\/2490"}],"wp:attachment":[{"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/media?parent=2486"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/categories?post=2486"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/einsteresante.com\/index.php\/wp-json\/wp\/v2\/tags?post=2486"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}