Inventan un “Google maps” de las proteínas
Dicho mapa podrá predecir la estructura tridimensional de más de 200 millones de proteínas, lo que traerá beneficios incuantificables para la ciencia y la medicina
Una base de datos denominada AlphaFold, que incluye casi todas las proteínas conocidas por la ciencia, servirá para abordar distintos retos científicos y avances que aún no se pueden cuantificar.
El también llamado “google maps” de las proteínas, desarrollado por el Laboratorio Europeo de Biología Molecular (EMBL) en conjunto con la empresa DeepMind, de Alphabet/Google, ha logrado, por medio de la Inteligencia Artificial (IA), predecir la estructura tridimensional de más de 200 millones de proteínas.
El mapa, que se aloja en una base de datos gratuita y de libre acceso, se ha ido ampliando desde su creación en 2021, pasando de casi un millón de estructuras a más de 200 millones en su última versión publicada a finales de julio.
“AlphaFold no es una base de datos cerrada. Se han incluido aquellas estructuras proteicas de organismos de los que se ha secuenciado su genoma -también de plantas, bacterias o animales-”, dijo el científico italiano Marco Marcia, jefe de grupo del EMBL.
Esto es relevante porque las proteínas realizan una gran parte de las actividades que permiten la supervivencia de las células y son necesarias para la función y regulación de tejidos y órganos.
“Conocer la estructura de estas piezas fundamentales de la vida es en definitiva entender el funcionamiento de la célula y del organismo humano”, explicó Marcia.
Dijo que más allá de la comprensión de su funcionamiento, esto es importante porque permitirá intervenir farmacológicamente estas células.
Del mismo modo en que la popular aplicación Google Maps permite saber cómo está organizada una ciudad, dónde están sus edificios importantes, estacionamientos, hospitales, restaurantes o farmacias, en el caso de este nuevo mapa se puede predecir la estructura de casi todas las proteínas, lo que equivale a divulgar los mapas de todas las ciudades del mundo.
Todo esto le servirá a los científicos para plantear hipótesis experimentales sobre una proteína concreta que interesa y para lograr determinar en el laboratorio su estructura a una velocidad que antes era inimaginable.
ANTES Y DESPUÉS
Antes de la aparición de la IA y de AlphaFold, la estructura de las proteínas solo se podía conseguir en el laboratorio, de forma experimental, a través de técnicas avanzadas como la cristalografía, la microscopía electrónica o la resonancia magnética nuclear.
Estas se usan, pero la IA ha logrado hacer un mapa de predicciones que acorta los tiempos y afina las búsquedas.
Sólo para tener una idea más clara de las posibilidades de esta herramienta, el primer millón de estructuras proteicas provocó, tan solo en el último año, la publicación de más de mil artículos científicos sobre una amplia gama de temas, y su ampliación a 200 millones provocará una multiplicación de este tamaño.
El laboratorio de Marcia estudia complejos de proteínas y ARN implicados en la regulación de la expresión génica en el desarrollo embrionario y en el cáncer. Gracias a la IA ha logrado conocer la estructura de sus proteínas de manera individual y ahora podrá dedicarse a caracterizar los complejos más rápidamente.
“Somos la primera generación de seres humanos que entendemos cómo las proteínas se forman y la primera en comprender cómo se organizan las galaxias lejanas. ¿Hemos descubierto vida en otros mundos gracias al Webb? Aún no, queda mucho por descubrir y quién sabe lo que nos deparará el futuro”, dijo.
Lo mismo pasa en su campo. “Tenemos ahora el “google maps” de casi todas las proteínas conocidas, pero no hemos curado todas las enfermedades. Es una herramienta más para proceder más rápido en la medicina; habrá descubrimientos que aún no podemos prever”.
El científico dijo que esta nueva herramienta ayudará a proceder más rápido en la medicina, gracias a avances que aún no se pueden determinar
“Somos la primera generación de seres humanos que entendemos cómo se forman las proteínas y la primera en comprender cómo se organizan las galaxias lejanas”
MARCO MARCIA
LABORATORIO EUROPEO DE BIOLOGÍA MOLECULAR