La importante actualización de AlphaFold ofrece un impulso para el descubrimiento de fármacos
 |
| Un modelo AlphaFold3 de una enzima bacteriana unida a una sustancia química. Fuente: Isomorphic Labs |
La última versión de la IA modela cómo las proteínas interactúan con otras moléculas, pero DeepMind restringe el acceso a la herramienta.
09 mayo 2024.- Desde que se lanzó la potente herramienta de inteligencia artificial (IA) AlphaFold2 en 2021, los científicos han utilizado el modelo de predicción de la estructura de las proteínas para mapear una de las máquinas más grandes de nuestras células, descubrir fármacos y trazar el universo de cada proteína conocida.
A pesar de tales éxitos, a John Jumper, que dirige el desarrollo de AlphaFold en Google DeepMind en Londres, se le pregunta regularmente si la herramienta puede hacer más. Las solicitudes incluyen la capacidad de predecir la forma de proteínas que contienen modificaciones que alteran su función, o su estructura junto con las del ADN, ARN y otros actores celulares que son cruciales para las funciones de una proteína.
La última versión de AlphaFold, descrita el 8 de mayo en Nature 1 , pretende hacer precisamente eso: dar a los científicos la capacidad de predecir las estructuras de las proteínas durante las interacciones con otras moléculas. Pero mientras que DeepMind puso la versión 2021 de la herramienta a disposición de los investigadores de forma gratuita y sin restricciones, AlphaFold3 se limita al uso no comercial a través de un sitio web de DeepMind.
Frank Uhlmann, bioquímico del Instituto Francis Crick de Londres que obtuvo acceso temprano a AlphaFold3, quedó impresionado con sus capacidades. "Esto es simplemente revolucionario", dice. "Va a democratizar la investigación en biología estructural".
Otra revolución
“Revolucionario” es como muchos científicos han descrito el impacto de AlphaFold2 en la biología desde su lanzamiento 2 ( la primera versión 3 , lanzada en 2020, fue buena, pero no cambió las reglas del juego). La IA predice las estructuras de una proteína a partir de su secuencia de aminoácidos, a menudo con una precisión sorprendente que está a la par de la de los métodos experimentales.
Una base de datos AlphaFold disponible de forma gratuita contiene la estructura prevista de casi todas las proteínas conocidas. La disponibilidad del código AlphaFold2 también ha permitido a otros investigadores aprovecharlo fácilmente: un primer truco permitió la predicción de interacciones entre múltiples proteínas, una capacidad incluida en una actualización de AlphaFold2.
La incapacidad de AlphaFold para predecir otros aspectos del ecosistema de una proteína se debe a su importancia: las modificaciones de las proteínas, como la adición de una molécula de fosfato, pueden permitir que las células respondan a señales externas, una infección, por ejemplo, y desencadenar una enfermedad. cadena de acontecimientos en respuesta. Las interacciones con el ADN, el ARN y otras sustancias químicas son esenciales para las funciones de muchas proteínas.
Ejemplos del mundo real de estas interacciones están disponibles en el Protein Data Bank (PDB), un depósito de estructuras determinadas experimentalmente que es la base de las capacidades de AlphaFold. Una herramienta ideal sería capaz de predecir las estructuras de una proteína junto con sus accesorios, resolviendo de esta manera todo el PDB.
Actualización importante
Para crear AlphaFold3, Jumper, el director ejecutivo de DeepMind, Demis Hassabis, y sus colegas hicieron grandes cambios con respecto a su predecesor: la última versión depende menos de información sobre proteínas relacionadas con una secuencia objetivo, por ejemplo. AlphaFold3 también utiliza un tipo de red de aprendizaje automático, llamada modelo de difusión, que utilizan las IA generadoras de imágenes como Midjourney.
Los investigadores descubrieron que AlphaFold3 supera sustancialmente a las herramientas de software existentes en la predicción de la estructura de las proteínas y sus socios. Por ejemplo, los científicos (especialmente aquellos interesados en encontrar nuevos medicamentos) han utilizado convencionalmente software de "acoplamiento" para modelar físicamente qué tan bien se unen los químicos a las proteínas (generalmente con la ayuda de las estructuras determinadas experimentalmente de las proteínas). AlphaFold3 demostró ser superior a dos programas de acoplamiento, así como a otra herramienta basada en inteligencia artificial llamada RoseTTAFold All-Atom 4 .
Los experimentos en los que se mutan proteínas para alterar tales interacciones sugieren que las predicciones de AlphaFold3 generalmente fueron acertadas.
"El rendimiento de predicción de estructuras de AlphaFold3 es muy impresionante", afirma David Baker, biofísico computacional de la Universidad de Washington en Seattle. Es mejor que RoseTTAFold All-Atom, que desarrolló su equipo 4 , añade.
Acceso restringido
A diferencia de RoseTTAFold y AlphaFold2, los científicos no podrán ejecutar su propia versión de AlphaFold3, ni se hará público el código subyacente de AlphaFold3 u otra información obtenida después de entrenar el modelo. En cambio, los investigadores tendrán acceso a un "servidor AlphaFold3", en el que podrán introducir la secuencia de proteínas que elijan, junto con una selección de moléculas accesorias.
Sin embargo, el acceso al servidor AlphaFold3 es limitado. Actualmente, los científicos están restringidos a 10 predicciones por día y no es posible obtener estructuras de proteínas unidas a posibles fármacos.
Isomorphic Labs, una empresa derivada de DeepMind en Londres, está utilizando AlphaFold3 para desarrollar medicamentos, tanto a través de su propia cartera como de otras empresas farmacéuticas.
COMENTARIOS