El Premio Nobel de Química 2024 conocido Demis Hassabis, Juan saltadory David Baker por utilizar el aprendizaje automático para abordar uno de los mayores desafíos de la biología: predecir el Forma 3D de proteínas. y diseñarlos desde cero.
El premio de este año se destacó porque honró la investigación que se originó en una empresa de tecnología: DeepMind, una startup de investigación de IA que fue adquirida por Google en 2014. La mayoría de los premios Nobel de química anteriores han sido otorgados a investigadores del mundo académico. Muchos galardonados fundaron empresas emergentes para expandir y comercializar aún más su trabajo innovador; por ejemplo, Tecnología de edición de genes CRISPR y puntos cuánticos — pero la investigación, de principio a fin, no se realizó en el ámbito comercial.
Aunque los premios Nobel de física y química se otorgan por separado, existe una conexión fascinante entre las investigaciones ganadoras en esos campos en 2024. El premio de física fue a dos informáticos OMS sentó las bases para el aprendizaje automáticomientras que los galardonados en química fueron recompensados por su uso del aprendizaje automático para abordar uno de los mayores misterios de la biología: cómo se pliegan las proteínas.
Los Premios Nobel de 2024 subrayan tanto la importancia de este tipo de inteligencia artificial como cómo la ciencia actual a menudo cruza las fronteras tradicionales, combinando diferentes campos para lograr resultados innovadores.
El desafío del plegamiento de proteínas
Las proteínas son las máquinas moleculares de la vida. Constituyen una parte importante de nuestro cuerpo, incluidos músculos, enzimas, hormonas, sangre, cabello y cartílagos.
Comprender las estructuras de las proteínas es esencial porque sus formas determinan sus funciones. En 1972, Christian Anfinsen ganó el Premio Nobel en química por demostrar que la secuencia de los componentes básicos de aminoácidos de una proteína dicta la forma de la proteínalo que, a su vez, influye en su función. Si una proteína se pliega incorrectamente, es posible que no funcione correctamente y podría provocar enfermedades como Alzheimer, fibrosis quísticao diabetes.
La forma general de una proteína depende de las pequeñas interacciones, atracciones y repulsiones entre todos los átomos de los aminoácidos que la componen. Algunos quieren estar juntos, otros no. La proteína se retuerce y se pliega hasta alcanzar una forma final basada en muchos miles de estas interacciones químicas.
Durante décadas, uno de los mayores desafíos de la biología fue predecir la forma de una proteína basándose únicamente en su secuencia de aminoácidos. Aunque los investigadores ahora pueden predecir la forma, todavía no entendemos cómo las proteínas maniobran hacia sus formas específicas y minimizan las repulsiones de todas las interacciones interatómicas en unos pocos microsegundos.
Para comprender cómo funcionan las proteínas y prevenir el plegamiento incorrecto, los científicos necesitaban una forma de predecir la forma en que se pliegan las proteínas, pero resolver este rompecabezas no fue una tarea fácil.
En 2003, el bioquímico de la Universidad de Washington David Baker escribió rosetaun programa informático para diseñar proteínas. Con él, demostró que era posible revertir el problema del plegamiento de proteínas mediante diseñar una forma de proteína y luego predecir la secuencia de aminoácidos necesaria para crearlo.
Fue un salto adelante fenomenal, pero la forma elegida para el cálculo era simple y los cálculos complejos. Se requirió un cambio de paradigma importante para diseñar rutinariamente nuevas proteínas con las estructuras deseadas.
Una nueva era del aprendizaje automático
El aprendizaje automático es un tipo de IA en el que las computadoras aprenden a resolver problemas analizando grandes cantidades de datos. Se ha utilizado en diversos campos, desde jugando y reconocimiento de voz a vehículos autónomos y investigación científica. La idea detrás del aprendizaje automático es utilizar patrones ocultos en los datos para responder preguntas complejas.
Este enfoque dio un gran salto en 2010 cuando Demis Hassabis cofundó mente profundauna empresa que pretende combinar la neurociencia con la IA para resolver problemas del mundo real.
Hassabis, un prodigio del ajedrez a los 4 años, rápidamente apareció en los titulares con alfacerouna IA que aprendió por sí misma a jugar ajedrez a un nivel sobrehumano. En 2017, AlphaZero venció por completo al programa de ajedrez informático más importante del mundo, Stockfish-8. La capacidad de la IA para aprender de su propio juego, en lugar de depender de estrategias preprogramadas, marcó un punto de inflexión en el mundo de la IA.
Poco después, DeepMind aplicó técnicas similares al Go, un antiguo juego de mesa conocido por su inmensa complejidad. En 2016, su programa de IA AlfaGo derrotó a uno de los mejores jugadores del mundo, Lee Sedol, en un Partido ampliamente visto que sorprendió a millones..
Demis Hassabis y John Jumper en Google DeepMind el 9 de octubre de 2024, tras recibir el Premio Nobel de Química.
En 2016, Hassabis cambió el enfoque de DeepMind hacia un nuevo desafío: el problema del plegamiento de proteínas. Bajo el liderazgo de Juan saltadorquímico con experiencia en ciencia de proteínas, comenzó el proyecto AlphaFold. El equipo utilizó una gran base de datos de estructuras proteicas determinadas experimentalmente para entrenar a la IA, lo que le permitió aprender los principios del plegamiento de proteínas. El resultado fue AlfaFold2una IA que podría predecir la estructura 3D de las proteínas a partir de sus secuencias de aminoácidos con notable precisión.
Este fue un avance científico significativo. Desde entonces, AlphaFold ha predicho las estructuras de más de 200 millones de proteínas, esencialmente todas las proteínas que los científicos han secuenciado hasta la fecha. Este base de datos masiva de estructuras de proteínas ahora está disponible gratuitamente, lo que acelera la investigación en biología, medicina y desarrollo de fármacos.
Proteínas de diseño para combatir enfermedades
Comprender cómo se pliegan y funcionan las proteínas es crucial para diseñar nuevos fármacos. enzimasun tipo de proteína, actúan como catalizadores en reacciones bioquímicas y pueden acelerar o regular estos procesos. Para tratar enfermedades como el cáncer o la diabetes, los investigadores suelen centrarse en enzimas específicas implicadas en las vías de las enfermedades. Al predecir la forma de una proteína, los científicos pueden determinar dónde podrían unirse a ella pequeñas moléculas (posibles candidatos a fármacos), lo cual es el primer paso para diseñando nuevos medicamentos.
En 2024, se lanzó DeepMind AlfaFold3una versión mejorada del programa AlphaFold que no solo predice las formas de las proteínas sino que también identifica posibles sitios de unión para moléculas pequeñas. Este avance facilita a los investigadores el diseño de fármacos que se dirijan con precisión a las proteínas adecuadas.
Google compró Deepmind para supuestamente alrededor 500 millones de dólares en 2014. Google DeepMind ahora ha iniciado una nueva empresa, Laboratorios isomórficospara colaborar con compañías farmacéuticas en el desarrollo de fármacos en el mundo real utilizando estas predicciones AlphaFold3.
David Baker habla por teléfono con Demis Hassabis y John Jumper justo después de recibir la noticia del Premio Nobel el 9 de octubre de 2024.
Ian C. Haydon/Instituto de Medicina para el Diseño de Proteínas de la Universidad de Washington
Por su parte, David Baker ha seguido realizando importantes contribuciones a la ciencia de las proteínas. Su equipo de la Universidad de Washington desarrolló un método basado en IA llamado “alucinación en toda la familia”, que utilizaron para diseñar proteínas completamente nuevas desde cero. Las alucinaciones son nuevos patrones (en este caso, proteínas) que son plausibles, lo que significa que encajan bien con los patrones de los datos de entrenamiento de la IA. Estas nuevas proteínas incluían una enzima emisora de luz, lo que demuestra que el aprendizaje automático puede ayudar a crear nuevas proteínas sintéticas. Estas herramientas de IA ofrecen nuevas formas de diseñar enzimas funcionales y otras proteínas que nunca podrían haber evolucionado de forma natural.
La IA permitirá el próximo capítulo de la investigación.
Los logros dignos del Nobel de Hassabis, Jumper y Baker muestran que el aprendizaje automático no es sólo una herramienta para los científicos informáticos: ahora es una parte esencial del futuro de la biología y la medicina.
Al abordar uno de los problemas más difíciles de la biología, los ganadores del premio 2024 han abierto nuevas posibilidades en el descubrimiento de fármacos, la medicina personalizada e incluso nuestra comprensión de la química de la vida misma.
Este artículo fue publicado originalmente en La conversación por Marc Zimmer en Connecticut College. Lea el artículo original aquí.
