fbpx

La IA de plegamiento de proteínas de DeepMind

La firma de inteligencia artificial DeepMind ha transformado la biología al predecir la estructura de casi todas las proteínas conocidas por la ciencia en solo 18 meses, un avance que acelerará el desarrollo de fármacos y revolucionará la ciencia básica.
Predecir la estructura de las proteínas es uno de los grandes retos de la biología

DeepMind ha predicho la estructura de casi todas las proteínas catalogadas hasta ahora por la ciencia, superando uno de los grandes desafíos de la biología en solo 18 meses gracias a una inteligencia artificial llamada AlphaFold. Los investigadores dicen que el trabajo ya ha llevado a avances en la lucha contra la malaria, la resistencia a los antibióticos y los desechos plásticos, y podría acelerar el descubrimiento de nuevos medicamentos.

Determinar las formas arrugadas de las proteínas en función de sus secuencias de aminoácidos constituyentes ha sido un problema persistente durante décadas en biología. Algunos de estos aminoácidos son atraídos por otros, algunos son repelidos por el agua y las cadenas forman formas intrincadas que son difíciles de determinar con precisión.

La empresa de inteligencia artificial con sede en el Reino Unido, DeepMind, anunció por primera vez que había desarrollado un método para predecir con precisión la estructura de las proteínas plegadas a fines de 2020 y, a mediados de 2021, reveló que había mapeado el 98,5 por ciento de las proteínas utilizadas en el cuerpo humano. .

Hoy, la compañía anunció que está publicando las estructuras de más de 200 millones de proteínas, casi todas catalogadas en el repositorio mundialmente reconocido de investigación de proteínas, UniProt .

DeepMind ha trabajado con el Instituto Europeo de Bioinformática del Laboratorio Europeo de Biología Molecular (EMBL-EBI) para crear un almacén de búsqueda de toda esta información al que los investigadores de todo el mundo pueden acceder fácil y libremente. Ewan Birney en EMBL-EBI llama a la base de datos de estructuras de proteínas AlphaFold «un regalo para la humanidad».

“Como alguien que ha estado en genómica y biología computacional desde la década de 1990, he visto muchos de estos momentos en los que puedes sentir el paisaje cambiando debajo de ti y la provisión de nuevos recursos, y este ha sido uno de los más rápidos”, dijo. dice. “Quiero decir, hace dos años, simplemente no nos dimos cuenta de que esto era factible”.

Ya dando resultados

Demis Hassabis , CEO de DeepMind, dice que la base de datos hace que encontrar una estructura de proteína, lo que antes solía llevar años, sea «casi tan fácil como hacer una búsqueda en Google». DeepMind es propiedad de Alphabet, la empresa matriz de Google.

El archivo ya ha sido utilizado por científicos para avanzar en la investigación en varias áreas. Matt Higgins de la Universidad de Oxford y sus colegas estaban investigando una proteína que creían que era clave para interrumpir el ciclo de vida del parásito de la malaria , pero luchaban por mapear su estructura.

“Uno de los métodos experimentales que utilizamos es la cristalografía de rayos X”, dice Higgins. “Hacemos que las proteínas formen redes, les disparamos rayos X y obtenemos información de esos patrones de difracción de rayos X para ver cómo se ve la molécula. Pero nunca pudimos, a pesar de muchos años de trabajo, ver con suficiente detalle cómo se ve esta molécula”.

Pero cuando se lanzó AlphaFold, dio una predicción clara de la estructura de la proteína que coincidía con la información que los investigadores habían podido recopilar. Ahora han podido diseñar nuevas proteínas que esperan puedan servir como una vacuna eficaz contra la malaria.

Birley dice que usar cristalografía de rayos X para mapear la estructura de una proteína es costoso y requiere mucho tiempo. “Eso significa que los experimentadores tienen que tomar decisiones sobre lo que hacen, y AlphaFold no ha tenido que tomar decisiones”, dice. «Creo que podemos estar seguros de que hay nuevos experimentos y nuevos conocimientos gracias a AlphaFold, que afectarán ‘cómo funciona este parásito en particular’ o ‘por qué ocurre esta enfermedad en particular en los humanos’, por ejemplo».

Los investigadores también han utilizado AlphaFold para diseñar nuevas enzimas para descomponer los desechos plásticos y aprender más sobre las proteínas que hacen que las bacterias sean resistentes a los antibióticos.

Aún queda trabajo por hacer

Keith Willison del Imperial College London dice que AlphaFold indiscutiblemente ha «cambiado el mundo» de la investigación biológica, pero que todavía hay problemas por resolver en el plegamiento de proteínas.

“Tan pronto como apareció AlphaFold, fue maravilloso. Simplemente tome sus proteínas favoritas y búsquelas ahora en lugar de tener que hacer cristales”, dice. “Hice la estructura cristalográfica de un complejo proteico, me llevó unos ocho años. La gente bromea diciendo que los cristalógrafos van a estar desempleados”.

Pero Willison señala que AlphaFold no puede tomar ninguna secuencia arbitraria de aminoácidos y modelar exactamente cómo se pliegan. En cambio, solo puede usar partes de proteínas y sus estructuras que se han determinado experimentalmente para predecir cómo se plegará una nueva proteína.

Si bien la herramienta es a menudo, incluso generalmente, extremadamente precisa, sus estructuras son siempre predicciones en lugar de resultados calculados explícitamente. AlphaFold aún no ha resuelto las complejas interacciones entre proteínas, ni siquiera ha hecho mella en un pequeño subconjunto de estructuras, conocidas como proteínas intrínsecamente desordenadas, que parecen tener patrones de plegamiento inestables e impredecibles.

“Una vez que descubres una cosa, surgen más problemas”, dice Willison. «En realidad, es bastante aterrador lo complicada que es la biología».

Tomek Wlodarski , del University College London, dice que AlphaFold ha tenido un enorme impacto en muchas áreas de la biología, pero que se deben realizar mejoras en la precisión y que desarrollar un modelo de cómo se pliegan las proteínas, no solo predecir su estructura final, es un problema que DeepMind aún debe abordar.

Wlodarski dice que AlphaFold no es perfecto, aunque indica qué partes de una predicción tienen una alta precisión y en cuáles tiene menos confianza.

«Introdujimos una mutación, que experimentalmente sabemos que despliega completamente la proteína, pero AlphaFold me dio la misma estructura que me dio sin esta mutación», dice. “Hice otra prueba: estaba quitando residuos de un extremo de la proteína, porque sabemos que con nuestra proteína, si cortas nueve residuos de uno de los extremos, la proteína se desdoblará por completo. Y logré cortar la mitad de la secuencia de la proteína, y el algoritmo todavía la predijo como una proteína completamente plegada con exactamente la misma estructura. Así que existen estos problemas”.

Pushmeet Kohli , quien lidera el equipo científico de DeepMind, dice que la compañía aún no ha terminado con las proteínas y está trabajando para mejorar la precisión y las capacidades de AlphaFold.

“Conocemos la estructura estática de las proteínas, pero ahí no termina el juego”, dice. «Queremos entender cómo se comportan estas proteínas, cuál es su dinámica, cómo interactúan con otras proteínas. Luego está la otra área de la genómica en la que queremos entender cómo se traduce la receta de la vida en qué proteínas se crean, cuándo se crean y el funcionamiento de una célula”.

 

Fuente Original: newscientist.com
La IA de plegamiento de proteínas de DeepMind
Scroll hacia arriba