El Nobel de Química es para los desarrolladores de AlphaFold AI, que predice las estructuras de las proteínas
 |
| David Baker, Demis Hassabis y John M. Jumper, Premio Nobel de Química 2024 "por el diseño computacional de proteínas" |
El premio de este año celebra las herramientas computacionales que han transformado la biología y tienen el potencial de revolucionar el descubrimiento de fármacos.
09 octubre 2024.- Por primera vez (y probablemente no será la última) un avance científico logrado gracias a la inteligencia artificial ha sido reconocido con un Premio Nobel. El Nobel de Química de 2024 fue otorgado a John Jumper y Demis Hassabis, de Google DeepMind en Londres (Reino Unido), por desarrollar una herramienta de inteligencia artificial revolucionaria para predecir las estructuras de las proteínas llamada AlphaFold, y a David Baker, de la Universidad de Washington en Seattle, por su trabajo en el diseño computacional de proteínas, que ha sido revolucionado por la inteligencia artificial en los últimos años.
El impacto de AlphaFold, que se dio a conocer hace apenas unos años, ha sido nada menos que transformador. La herramienta ha puesto a disposición de los investigadores estructuras proteínicas (a menudo, pero no siempre, muy precisas) con solo pulsar un botón, y ha permitido realizar experimentos que eran inimaginables hace una década. Los biólogos hablan ahora de una era "antes de AlphaFold" y una después.
“Desde hace tiempo que soñamos con aprender a predecir la estructura tridimensional de las proteínas a partir de sus secuencias de aminoácidos… Durante varias décadas, esto se consideró imposible”, dijo durante el anuncio del premio Heiner Linke, presidente del comité Nobel que investiga nanociencia en la Universidad de Lund (Suecia). Los galardonados de este año, añadió, “han descifrado el código”. Los ganadores se reparten un premio de 11 millones de coronas suecas (1 millón de dólares).
IA galardonada
DeepMind estrenó AlphaFold en 2018, cuando ganó un concurso bianual de predicción de la estructura de proteínas llamado Evaluación crítica de la predicción de la estructura de proteínas (CASP). Pero fue la segunda iteración de la red neuronal de aprendizaje profundo, revelada a fines de 2020, la que desencadenó 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 proteínicas resueltas experimentalmente. Esto llevó al cofundador de CASP y biólogo computacional John Moult, de la Universidad de Maryland en College Park, a declarar en 2020 que "en cierto sentido, el problema está resuelto".
Hassabis, cofundador y director ejecutivo de DeepMind, y Jumper, jefe del equipo AlphaFold, lideraron el desarrollo de AlphaFold2. Para predecir las estructuras de las proteínas, la red neuronal incorpora estructuras similares de bases de datos de cientos de miles de estructuras resueltas experimentalmente y millones de secuencias de proteínas relacionadas, que contienen información sobre sus formas.
En 2021, DeepMind puso a disposición de forma gratuita el código subyacente de AlphaFold2, junto con los datos necesarios para entrenar el modelo. Una base de datos AlphaFold, creada con el Instituto Europeo de Bioinformática del Laboratorio Europeo de Biología Molecular en Hinxton, Reino Unido, contiene ahora las estructuras de casi todas las proteínas de todos los organismos representados en las bases de datos genéticas, unas 214 millones de predicciones en total. Este año, la empresa presentó una tercera versión de AlphaFold, que puede modelar otras moléculas que interactúan con proteínas, como los fármacos.
La revolución que Jumper, Hassabis y sus colegas desencadenaron todavía está en sus inicios, y es posible que no se conozca el impacto total de AlphaFold en la ciencia hasta dentro de varios años. La herramienta ya está ayudando a los científicos a obtener nuevos conocimientos.
Un equipo pionero utilizó la herramienta, junto con datos experimentales, para mapear el complejo de poros nucleares, una de las máquinas más grandes de nuestras células, el guardián del genoma llamado complejo de poros nucleares. El año pasado, dos equipos exploraron toda la base de datos AlphaFold para descubrir los rincones más oscuros del universo de las proteínas, identificando nuevas familias de proteínas y pliegues 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, pero aún no está claro cómo, o si, AlphaFold transformará el costoso y multifacético proceso de desarrollo de nuevos medicamentos seguros.
Creando nuevas proteínas
Más de una década antes de que DeepMind comenzara a trabajar en AlphaFold, el biofísico computacional David Baker, de la Universidad de Washington en Seattle, y sus colegas desarrollaron herramientas de software para modelar estructuras proteínicas utilizando principios físicos, llamadas Rosetta. La herramienta tuvo un éxito temprano en el diseño de proteínas novedosas.
A lo largo de los años, el equipo de Baker aplicó Rosetta para predecir la estructura de las proteínas (ha estado entre las principales propuestas en numerosos CASP, antes de la reciente hegemonía de AlphaFold), así como para diseñar nuevas proteínas, como enzimas y nanopartículas proteicas autoensamblables.
Cuando se anunció AlphaFold2 (que 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, ambas redes han sido mejoradas continuamente por sus desarrolladores (y otros científicos debido a su naturaleza de código abierto) para abordar nuevos desafíos, como predecir la estructura de complejos de múltiples proteínas interactuantes diferentes.
En los últimos años, el equipo de Baker ha sido especialmente prolífico en la aplicación del aprendizaje automático a la razón de ser de su laboratorio: crear nuevas proteínas nunca antes vistas 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 cambio radical 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 hacer preguntas más avanzadas", dijo a Nature en 2020 el juez del CASP Andrei Lupas, biólogo evolutivo del Instituto Max Planck de Biología del Desarrollo en Tübingen, Alemania.
Fuente: Nature
