La revolución del aprendizaje automático en la ciencia: El problema de plegamiento de proteínas que ganó el Nobel de Química
En 2024, el Premio Nobel de Química fue otorgado a Demis Hassabis, John Jumper y David Baker por su trabajo en el uso del aprendizaje automático para resolver el complejo problema del plegamiento de proteínas.
En 2024, el Premio Nobel de Química fue otorgado a Demis Hassabis, John Jumper y David Baker por su innovador uso del aprendizaje automático para resolver uno de los mayores desafíos de la biología: predecir la forma tridimensional de las proteínas y diseñarlas desde cero. Este avance no solo ha transformado la investigación científica, sino que también promete revolucionar el desarrollo de nuevos medicamentos y mejorar nuestra comprensión de la vida misma.
¿Qué son las proteínas y por qué son importantes?
Las proteínas son moléculas esenciales en nuestros cuerpos y desempeñan funciones vitales. Se encuentran en músculos, enzimas, hormonas, sangre, cabello y cartílago. La forma de una proteína es crucial porque determina cómo funciona. En 1972, el científico Christian Anfinsen demostró que la secuencia de aminoácidos de una proteína dictaba su forma, lo que a su vez influía en su función. Si una proteína se pliega incorrectamente, puede llevar a enfermedades como el Alzheimer, la fibrosis quística o la diabetes.
Te puede interesar: El único mexicano que ha ganado el Premio Nobel de la Paz en la historia
El desafío del plegamiento de proteínas
A lo largo de los años, uno de los grandes retos ha sido predecir cómo se pliegan las proteínas solo a partir de su secuencia de aminoácidos. Este proceso se basa en interacciones químicas complejas que ocurren entre los átomos de los aminoácidos. Aunque los científicos habían hecho avances en la predicción de formas, aún quedaba mucho por descubrir sobre cómo las proteínas logran adoptar sus estructuras específicas en cuestión de microsegundos.
En 2003, David Baker desarrolló un programa llamado Rosetta que ayudaba a diseñar proteínas al predecir la secuencia de aminoácidos necesaria para crear una forma deseada. Aunque fue un gran paso, se necesitaba un cambio radical para poder diseñar proteínas nuevas de manera eficiente.
La era del aprendizaje automático
El aprendizaje automático es una rama de la inteligencia artificial (IA) donde las computadoras aprenden a resolver problemas al analizar grandes volúmenes de datos. Este enfoque ha avanzado significativamente desde la fundación de DeepMind en 2010 por Demis Hassabis, quien había hecho historia al desarrollar la IA AlphaZero, capaz de aprender a jugar ajedrez de manera superior a cualquier ser humano.
En 2016, Hassabis y su equipo decidieron abordar el problema del plegamiento de proteínas, liderando el proyecto AlphaFold. Utilizando una extensa base de datos de estructuras de proteínas ya conocidas, entrenaron a la IA para que aprendiera los principios del plegamiento de proteínas. El resultado fue AlphaFold2, capaz de predecir la estructura tridimensional de las proteínas a partir de sus secuencias de aminoácidos con una precisión sorprendente.
Un impacto en la sociedad: Diseño de proteínas para combatir enfermedades
Comprender cómo se pliegan y funcionan las proteínas es esencial para diseñar nuevos medicamentos. Por ejemplo, las enzimas, que son un tipo de proteína, actúan como catalizadores en reacciones bioquímicas y pueden acelerar o regular estos procesos. Al predecir la forma de una proteína, los científicos pueden identificar dónde pueden unirse pequeñas moléculas (potenciales medicamentos), que es el primer paso para diseñar nuevos tratamientos.
En 2024, DeepMind lanzó AlphaFold3, una versión mejorada que no solo predice formas de proteínas, sino que también identifica sitios de unión para pequeñas moléculas. Esto facilita el diseño de medicamentos que apunten de manera precisa a las proteínas deseadas.
Además, David Baker ha desarrollado un método basado en IA llamado “alucinación de familia amplia” para diseñar nuevas proteínas desde cero. Estos nuevos patrones de proteínas son plausibles y se ajustan a los datos de entrenamiento de la IA. Por ejemplo, su equipo creó una enzima que emite luz, demostrando que el aprendizaje automático puede ayudar a crear proteínas sintéticas funcionales que nunca podrían haber evolucionado de manera natural.
El futuro de la biología y la medicina
Los logros de Hassabis, Jumper y Baker subrayan que el aprendizaje automático no es solo una herramienta para los científicos de la computación, sino una parte esencial del futuro de la biología y la medicina. Al enfrentar uno de los problemas más difíciles de la biología, han abierto nuevas posibilidades en el descubrimiento de medicamentos, la medicina personalizada y en nuestra comprensión de la química de la vida misma.
Impacto en la sociedad
Un ejemplo de cómo este avance ayuda a la sociedad es en el tratamiento de enfermedades como el cáncer. Con las herramientas de AlphaFold3, los investigadores pueden diseñar medicamentos que se dirigen específicamente a las proteínas implicadas en el crecimiento de células cancerosas. Esto no solo mejora la eficacia de los tratamientos, sino que también reduce los efectos secundarios al minimizar el impacto en células sanas. En definitiva, el trabajo de estos científicos podría llevar a tratamientos más efectivos y personalizados, mejorando la calidad de vida de millones de personas.
Artículo original publicado en The Conversation
Sigue nuestro canal de WhatsApp
Recibe las noticias más importantes del día. Da click aquí
Te recomendamos
Un sitio de 
Grupo Healy © Copyright Impresora y Editorial S.A. de C.V. Todos los derechos reservados