Con las vacunas del Coivid-19 como telón de fondo a la conversación global sobre la salud, en tiempos de pandemia, la columna de hoy la dedicaremos a abrir una ventana hacia el futuro: la práctica de La “AlphaFold”, como la supercomputación de millones de datos puede resolver nuevas maneras de trabajar con la biología a nivel microscópico y muy exitoso.

La inteligencia artificial (IA) ha resuelto uno de los grandes desafíos de la biología: predecir cómo las proteínas se curvan a partir de una cadena lineal de aminoácidos en formas 3D que les permiten llevar a cabo las tareas de la vida. Hoy, los principales biólogos estructurales y organizadores de una competencia bienal de plegamiento de proteínas anunciaron el logro de los investigadores de DeepMind, una empresa de inteligencia artificial con sede en el Reino Unido.

Dicen que el método DeepMind tendrá efectos de gran alcance, entre ellos, acelerará drásticamente la creación de nuevos medicamentos y acelera también la solución a un desafío que tiene 50 años en el aire.

El cuerpo humano utiliza decenas de miles de proteínas diferentes, cada una de las cuales es una cadena de decenas a muchos cientos de aminoácidos. El orden de esos aminoácidos dicta cómo la miríada de empujes y tirones entre ellos da lugar a las complejas formas tridimensionales de las proteínas, que, a su vez, determinan cómo funcionan. Conocer esas formas ayuda a los investigadores a idear medicamentos que pueden alojarse en los bolsillos y grietas de las proteínas. Y ser capaz de sintetizar proteínas con una estructura deseada podría acelerar el desarrollo de enzimas que producen biocombustibles y degradan los residuos plásticos.

Durante décadas, los investigadores descifraron las estructuras 3D de las proteínas utilizando técnicas experimentales como la cristalografía de rayos X o la microscopía crioelectrónica (crio-EM). Pero estos métodos pueden llevar meses o años y no siempre funcionan. Se han resuelto las estructuras de sólo alrededor de 170.000 de los más de 200 millones de proteínas descubiertas en las formas de vida.

En la década de 1960, los investigadores se dieron cuenta de que si podían resolver todas las interacciones individuales dentro de la secuencia de una proteína, podrían predecir su forma 3D. Sin embargo, con cientos de aminoácidos por proteína y numerosas formas en que cada par de aminoácidos puede interactuar, el número de posibles estructuras por secuencia fue astronómico. Los científicos computacionales abordaron el problema, pero el progreso fue lento. Pero AlphaFold también incorporó un enfoque computacional llamado aprendizaje profundo, en el que el software se entrena en grandes cantidades de datos, en este caso, las secuencias y estructuras de proteínas conocidas, y aprende a detectar patrones. DeepMind ganó cómodamente, superando a la competencia en un promedio del 15% en cada estructura y obteniendo puntajes GDT de hasta aproximadamente 60 para los objetivos más difíciles.

Para las proteínas más desafiantes, AlphaFold obtuvo una mediana de 87, 25 puntos por encima de las siguientes mejores predicciones. Incluso se destacó en la resolución de estructuras de proteínas que se encuentran encajadas en las membranas celulares, que son fundamentales para muchas enfermedades humanas pero muy difíciles de resolver con cristalografía de rayos X.

Pero AlphaFold no tuvo problemas. Devolvió una imagen detallada de una proteína de tres partes con dos largos brazos helicoidales en el medio. Eso será una bendición para los experimentadores, que podrán utilizar predicciones de estructura precisas para dar sentido a los datos opacos de rayos X y crio-EM. También podría permitir a los diseñadores de medicamentos resolver rápidamente la estructura de cada proteína en patógenos nuevos y peligrosos como el SARS-CoV-2, un paso clave en la búsqueda de moléculas para bloquearlos, Aún así, AlphaFold aún no lo hace todo bien. En el concurso, vaciló notablemente en una proteína, una amalgama de 52 pequeños segmentos repetidos, que distorsionan las posiciones de los demás a medida que se ensamblan.

Jumper dice que el equipo ahora quiere entrenar a AlphaFold para resolver tales estructuras, así como las de complejos de proteínas que trabajan juntas para llevar a cabo funciones clave en la célula. Aunque ha caído un gran desafío, sin duda surgirán otros. Es el comienzo de muchas cosas nuevas.

Fuente:

https://www.sciencemag.org/news/2020/11/game-has-changed-ai-triumphs-solving-protein-structures

Hari Camino es Director de Satya Social Purpose Communication Representante del Institute for Healthcare Advancement