Un modelo de inteligencia artificial (IA) ha simulado 500 millones de a\u00f1os de evoluci\u00f3n molecular para crear el c\u00f3digo de una prote\u00edna previamente desconocida, seg\u00fan un nuevo estudio. La prote\u00edna brillante, que es similar a las que se encuentran en las medusas y los corales, puede ayudar en el desarrollo de nuevos medicamentos, dicen los investigadores.<\/p>\n\n\n\n
Las prote\u00ednas son uno de los componentes b\u00e1sicos de la vida y realizan varias funciones en el cuerpo, como desarrollar m\u00fasculos y combatir enfermedades. La prote\u00edna simulada, llamada esmGFP, solo existe como c\u00f3digo inform\u00e1tico, pero contiene el modelo para un tipo previamente desconocido de prote\u00edna fluorescente verde. En la naturaleza, las prote\u00ednas fluorescentes verdes dan a las medusas y corales fluorescentes su brillo.<\/p>\n\n\n\n
La secuencia de letras que deletrean las instrucciones para hacer esmGFP es solo un 58% similar a la prote\u00edna fluorescente conocida m\u00e1s cercana, que es una versi\u00f3n modificada por humanos de una prote\u00edna que se encuentra en las an\u00e9monas de mar con punta de burbuja (Entacmaea quadricolor<\/em>), criaturas marinas coloridas que parecen tener burbujas en los extremos de sus tent\u00e1culos. El resto de la secuencia es \u00fanica y requerir\u00eda un total de 96 mutaciones gen\u00e9ticas diferentes para evolucionar. Estos cambios habr\u00edan tardado m\u00e1s de 500 millones de a\u00f1os en evolucionar de forma natural, seg\u00fan el estudio.<\/p>\n\n\n\n Los investigadores de una empresa llamada EvolutionaryScale dieron a conocer esmGFP y el modelo de IA utilizado para crearlo, ESM3, en un estudio de preimpresi\u00f3n el a\u00f1o pasado. Cient\u00edficos independientes han revisado ahora esos hallazgos, que se publicaron el 16 de enero en la revista Science<\/a>.<\/p>\n\n\n\n ESM3 no dise\u00f1a prote\u00ednas dentro de las limitaciones habituales de la evoluci\u00f3n. En cambio, es un solucionador de problemas que llena los vac\u00edos del c\u00f3digo proteico incompleto proporcionado por los investigadores y, al hacerlo, dise\u00f1a algo que podr\u00eda existir en funci\u00f3n de todas las posibles v\u00edas que podr\u00eda tomar la evoluci\u00f3n.<\/p>\n\n\n\n “Hemos descubierto que ESM3 aprende biolog\u00eda fundamental y puede generar prote\u00ednas funcionales fuera del espacio explorado por la evoluci\u00f3n”, dijo a Live Science en un correo electr\u00f3nico el coautor del estudio Alex Rives, cofundador y cient\u00edfico jefe de EvolutionaryScale.<\/p>\n\n\n\n El nuevo estudio se basa en la investigaci\u00f3n que Rives y sus colegas comenzaron en Meta, la empresa matriz de Facebook e Instagram, antes de iniciar EvolutionaryScale en 2024. ESM3 es su \u00faltima versi\u00f3n de un modelo de lenguaje generativo similar al GPT-4 de OpenAI, que ejecuta ChatGPT, pero se basa en la biolog\u00eda.<\/p>\n\n\n\n Las prote\u00ednas est\u00e1n formadas por cadenas de mol\u00e9culas llamadas amino\u00e1cidos, cuya secuencia es proporcionada por los genes. Diferentes prote\u00ednas tienen diferentes secuencias de amino\u00e1cidos. Tambi\u00e9n difieren estructuralmente, cada una se pliega en una forma \u00fanica que les permite llevar a cabo su funci\u00f3n, seg\u00fan Nature Education<\/a>. Para que ESM3 comprenda las prote\u00ednas, los investigadores alimentaron el modelo con datos sobre las principales propiedades de una prote\u00edna (secuencia de amino\u00e1cidos, estructura y funci\u00f3n) como una serie de letras.<\/p>\n\n\n\n El equipo entren\u00f3 a ESM3 con datos de 2.78 mil millones de prote\u00ednas encontradas en la naturaleza. Luego, los investigadores ocultaron aleatoriamente partes de un plano de prote\u00edna e hicieron que ESM3 llenara los espacios vac\u00edos para completar el c\u00f3digo en funci\u00f3n de lo que hab\u00eda aprendido.<\/p>\n\n\n\n “De la misma manera que una persona puede completar los espacios en blanco en el soliloquio ‘to _ or not to , es decir el <\/em>‘, podemos entrenar un modelo de lenguaje para que complete los espacios en blanco en las prote\u00ednas”, dijo Rives. “Nuestra investigaci\u00f3n ha demostrado que al resolver esta tarea simple, la informaci\u00f3n sobre la estructura profunda de la biolog\u00eda de las prote\u00ednas emerge en la red”.<\/p>\n\n\n\n Los cient\u00edficos ya modifican prote\u00ednas naturales y dise\u00f1an otras nuevas para una variedad de prop\u00f3sitos. Por ejemplo, las prote\u00ednas fluorescentes verdes se utilizan ampliamente en los laboratorios de investigaci\u00f3n. Su c\u00f3digo gen\u00e9tico a menudo se agrega a los extremos de otras secuencias de ADN para convertir en verdes las prote\u00ednas que codifican. Esto permite a los cient\u00edficos rastrear f\u00e1cilmente las prote\u00ednas y los procesos celulares. Rives se\u00f1al\u00f3 que las capacidades de ESM3 pueden acelerar una amplia gama de aplicaciones para la ingenier\u00eda de prote\u00ednas, incluida la ayuda para dise\u00f1ar nuevos medicamentos.<\/p>\n\n\n\n Tiffany Taylor, bi\u00f3loga evolutiva de la Universidad de Bath en el Reino Unido que no particip\u00f3 en la investigaci\u00f3n, inform\u00f3 sobre la versi\u00f3n preliminar del estudio para Live Science en 2024. En su an\u00e1lisis, Taylor escribi\u00f3 que los modelos de IA como ESM3 permitir\u00e1n innovaciones en ingenier\u00eda de prote\u00ednas que la evoluci\u00f3n no puede. Sin embargo, tambi\u00e9n se\u00f1al\u00f3 que la afirmaci\u00f3n de los investigadores de simular 500 millones de a\u00f1os de evoluci\u00f3n se centra solo en prote\u00ednas individuales y no tiene en cuenta las muchas etapas de la selecci\u00f3n natural que finalmente crean la vida.<\/p>\n\n\n\n “La ingenier\u00eda de prote\u00ednas impulsada por IA es intrigante, pero no puedo evitar la sensaci\u00f3n de que tal vez confiemos demasiado en suponer que podemos ser m\u00e1s astutos que los intrincados procesos perfeccionados por millones de a\u00f1os de selecci\u00f3n natural”, dijo Taylor.<\/p>\n\n\n\n