Plegado de proteínas: DeepMind AI resuelve el mayor problema de la biología


Proteína

Predecir la estructura de las proteínas es uno de los grandes retos de la biología

Mente profunda

DeepMind ha predicho la estructura de casi todas las proteínas catalogadas por la ciencia hasta el momento, resolviendo 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.

La determinación de 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 complejas que son difíciles de determinar con precisión.

La empresa británica de inteligencia artificial DeepMind anunció por primera vez que había desarrollado un método para predecir con precisión la estructura de las proteínas plegadas a finales de 2020 y, a mediados de 2021, reveló que había mapeado el 98,5 % 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 para la 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 de EMBL-EBI llama a la base de datos de estructuras de proteínas AlphaFold «un regalo para la humanidad».

«Como alguien que ha trabajado en genómica y biología computacional desde la década de 1990, he visto pasar muchos de esos momentos en los que puedes sentir cómo cambia el paisaje debajo de ti y la provisión de nuevos recursos, y ese ha sido uno de los más rápidos», dijo. dijo. dijo. «Quiero decir, hace dos años simplemente no sabíamos que 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 solía llevar años, sea «casi tan fácil como hacer una búsqueda en Google». DeepMind es propiedad de Alphabet, la empresa matriz de Google.

Los archivos ya han sido utilizados 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 esencial 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”, explica Higgins. “Conseguimos 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 hemos podido, a pesar de muchos años de trabajo, ver con suficiente detalle cómo es 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 tuvo que tomar decisiones», dice. «Je pense que nous pouvons être sûrs qu’il y a de nouvelles expériences et de nouvelles connaissances grâce à AlphaFold, qui auront un impact sur» comment fonctionne ce parasite particulier «ou» pourquoi cette maladie particulière se produit-elle chez l’homme «, por ejemplo.»

Los investigadores también usaron 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.

Trabajo aún por hacer

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

«Tan pronto como apareció AlphaFold, fue maravilloso. Solo tienes que tomar tus proteínas favoritas e investigarlas ahora en lugar de tener que hacer cristales», dice. «Complejo de proteínas, me llevó unos ocho años. La gente bromea diciendo que los cristalógrafos va a estar sin trabajo.

Pero Willison señala que AlphaFold no puede tomar ninguna cadena 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.

Aunque la herramienta es a menudo, si no por lo general, extremadamente precisa, sus estructuras son siempre predicciones en lugar de resultados calculados explícitamente. AlphaFold tampoco 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 otros problemas”, dice Willison. «En realidad, es bastante aterrador lo complicada que es la biología».

Tomek Wlodarski en el University College London dice que AlphaFold ha tenido un gran impacto en muchas áreas de la biología, pero que hay mejoras por hacer 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 tiene que abordar.

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

«Introdujimos una mutación, que experimentalmente sabemos que despliega por completo la proteína, pero AlphaFold me dio la misma estructura que me dio sin esa mutación», dice. «Hice otra prueba: estaba quitando el residuo de un extremo de la proteína, porque sabemos que con nuestra proteína, si cortas nueve residuos de uno de los extremos, se desdoblará por completo la proteína. Y logré triturar la mitad de la secuencia de la proteína, y el algoritmo todavía la predijo como una proteína completamente plegada con exactamente la misma estructura, por lo que existen esos 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 cómo funciona una célula.

Regístrese para recibir nuestro boletín gratuito Health Check, que le brinda noticias de salud, alimentación y estado físico en las que puede confiar, todos los sábados.

Obtenga más información sobre estos temas:



Sé el primero en comentar

Deja un comentario