DeepMind de Google predice formas 3D de proteínas

0

DeepMind, el laboratorio de inteligencia artificial (IA) del Reino Unido comprado por Google en 2014, está listo para comenzar a tener un mayor impacto en el mundo real luego de que se anunció como ganador de un concurso de plegamiento de proteínas en Cancún este domingo.

Habiendo arruinado a los clásicos de Atari y alcanzado un rendimiento sobrehumano en el ajedrez y el juego de mesa chino, Go, el equipo de Google DeepMind ha convertido su inteligencia artificial en una posible solución a uno de los problemas más difíciles de la ciencia.

Durante varios años, la firma con sede en Londres ha estado hablando sobre el uso de la IA con el propósito de abordar diversos problemas de gran importancia que enfrenta la humanidad, con áreas como el cambio climático y la atención médica. No obstante como recién mencionamos esta compañía se ha hecho famosa es por desarrollar sistemas de inteligencia artificial que pueden sobresalir en ciertos juegos.

No obstante, en una conferencia internacional en Cancún el domingo, los organizadores anunciaron que el último programa de IA de DeepMind, AlphaFold, había superado a todos en una tarea particularmente especial: predecir las formas 3D de las proteínas, las moléculas fundamentales de la vida.

“Este es el primer hito importante de DeepMind en demostrar cómo la inteligencia artificial puede impulsar y acelerar los nuevos descubrimientos científicos que podrían algún día beneficiar al mundo, y esperamos muchos más en los próximos años”, dijo  Demis Hassabis, CEO y cofundador de DeepMind, en una declaración.

“Los modelos 3D de proteínas que genera AlphaFold son mucho más precisos que cualquiera de los anteriores, lo que supone un progreso significativo en uno de los principales desafíos de la biología”, escribió DeepMind.

La naturaleza arcana del “plegamiento de proteínas”, una forma alucinante de origami molecular, rara vez se discute fuera de los círculos científicos, pero es un problema de gran importancia. La maquinaria de la biología se construye a partir de proteínas y la forma de una proteína define su función. Comprender cómo se pliegan las proteínas y los investigadores podrían iniciar una nueva era de progreso científico y médico.

Y es que comprender las estructuras de las proteínas es importante cuando se trata de  diagnosticar y tratar enfermedades que se cree son causadas por proteínas mal plegadas, como el Alzheimer, que afecta a más de 850.000 personas en el Reino Unido. También abre un nuevo potencial dentro del descubrimiento de fármacos.

David Jones, líder del equipo del Laboratorio de Ciencia de Datos Biomédicos de Crick, manifestó en un comunicado: “La estructura 3D de una proteína es probablemente la pieza de información más útil que los científicos pueden obtener para ayudar a entender qué hace la proteína y cómo funciona en las células. Las técnicas experimentales para determinar las estructuras de proteínas llevan mucho tiempo y son caras, por lo que existe una gran demanda de mejores algoritmos informáticos para calcular las estructuras de las proteínas directamente a partir de las secuencias genéticas que las codifican, y el trabajo de DeepMind en la aplicación de la IA a este problema de larga data en la biología molecular es un avance definitivo. Un objetivo final será determinar las estructuras precisas para cada proteína humana, lo que en última instancia podría conducir a nuevos descubrimientos en la medicina molecular”.

“Para nosotros, este es un momento realmente clave”, expresó Demis Hassabis. “Este es un proyecto de faro, nuestra primera gran inversión en términos de personas y recursos en un problema científico fundamental, muy importante, del mundo real”.

DeepMind se fijó en el plegamiento de proteínas después de que su famoso programa AlphaGo venciera a Lee Sedol, un jugador campeón de Go, en 2016. Si bien los juegos han demostrado ser un buen campo de pruebas para los programas de inteligencia artificial del grupo, los puntajes altos no son su objetivo final. “Nunca se trató de descifrar a Go o Atari, se trata de desarrollar algoritmos para problemas exactamente como el plegamiento de proteínas”, dijo Hassabis.

El cuerpo humano puede producir un gran número de proteínas diferentes, con estimaciones que van desde decenas de miles hasta miles de millonesCada uno es una cadena de aminoácidos, de los cuales hay 20 tipos diferentes. Una proteína puede torcerse y doblarse entre cada aminoácido, de modo que una proteína con cientos de aminoácidos tiene el potencial de adquirir un número asombroso de estructuras diferentes.

La forma 3D que adopta una proteína depende de la cantidad y los tipos de aminoácidos que contiene. La forma también determina su papel en el cuerpo. Las células del corazón, por ejemplo, están salpicadas de proteínas plegadas de tal manera que cualquier adrenalina en el torrente sanguíneo se adhiere a ellas y aumenta la frecuencia cardíaca. Mientras tanto, los anticuerpos en el sistema inmunológico son proteínas que se pliegan en formas específicas que se adhieren a los insectos invasores. Casi todas las funciones del cuerpo, desde tensar los músculos y detectar la luz hasta convertir los alimentos en energía, pueden rastrearse hasta la forma y el movimiento de las proteínas.

Normalmente, las proteínas adoptan cualquier forma que sea más eficiente energéticamente, pero se pueden enredar y plegar, lo que lleva a trastornos como la diabetes, el Parkinson y la enfermedad de Alzheimer.

Si los científicos pueden aprender a predecir la forma de una proteína a partir de su composición química, entonces pueden averiguar qué hace, cómo podría doblarse y causar daño, y diseñar otras nuevas para combatir enfermedades o realizar otras tareas, como descomponer la contaminación plástica en el medio ambiente. .

Cabe mencionar que este año, un equipo de DeepMind envió la investigación realizada a la competencia de Evaluación Crítica de Predicción de Estructuras (CASP, por sus siglas en inglés), una olimpiada bianual de plegamiento de proteínas que atrae a grupos de investigación de todo el mundo.

El objetivo de la competencia es predecir las estructuras de las proteínas a partir de listas de sus aminoácidos que se envían a los equipos cada pocos días durante varios meses. Las estructuras de estas proteínas se han agrietado recientemente con métodos tradicionales laboriosos y costosos, pero no se han hecho públicos. El equipo que presenta las predicciones más precisas gana.

En su primera incursión en la competencia, AlphaFold encabezó una tabla de 98 participantes , prediciendo la estructura más precisa para 25 de las 43 proteínas obteniendo la primera calificación, en comparación con tres de los 43 para el segundo equipo clasificado en la misma categoría.

De esta manera Hassabis agregó: “estoy encantado con estos primeros resultados, que se basan en décadas de progreso realizados por muchos expertos en el campo. Comprender cómo se pliegan las proteínas es una pregunta científica fundamental de larga data que podría algún día ser clave para desbloquear nuevos tratamientos para una amplia gama de enfermedades, desde el Alzheimer y el Parkinson hasta la fibrosis quística y la enfermedad de Huntington, donde se cree que las proteínas mal plegadas desempeñan un papel importante “.

Para desarrollar AlphaFold, DeepMind entrenó una red neuronal en miles de proteínas conocidas hasta que pudo predecir las estructuras 3D a partir de los aminoácidos. Dada una nueva proteína para trabajar, AlphaFold usa la red neuronal para predecir las distancias entre pares de aminoácidos y los ángulos entre los enlaces químicos que los conectan.

En un segundo paso, AlphaFold ajusta la estructura de tiro para encontrar la disposición más eficiente en energía. El programa tomó una quincena para predecir sus primeras estructuras de proteínas, pero ahora las confunde en un par de horas.

Liam McGuffin, un investigador de la Universidad de Reading, dirigió el grupo académico de mayor puntuación del Reino Unido en la competencia. “Parece que DeepMind ha subido el listón este año y estoy intrigado por saber más sobre sus métodos”, dijo. “No contamos con los recursos suficientes, pero aún podemos ser muy competitivos”.

“Muchos grupos, incluyéndonos a nosotros, han estado usando métodos basados ​​en el aprendizaje automático durante varios años y las mejoras en el aprendizaje profundo y la IA parecen tener un impacto cada vez más importante. Soy optimista de que, como campo, realmente resolveremos el problema para el año 2020”, dijo McGuffin.

Hassabis está de acuerdo en que hay mucho más que hacer. “No hemos resuelto el problema del plegamiento de proteínas, esto es solo un primer paso”, dijo. “Es un problema sumamente desafiante, pero tenemos un buen sistema y tenemos un montón de ideas que aún no hemos implementado”.

Dejar respuesta

Please enter your comment!
Please enter your name here

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.