Presentan una nueva inteligencia artificial “fenomenal” para predecir estructuras de proteínas

Las proteínas son los esbirros de la vida, que trabajan solas o juntas para construir, administrar, alimentar, proteger y, finalmente, destruir las células.

Para funcionar, estas largas cadenas de aminoácidos se retuercen, pliegan y entrelazan en formas complejas que pueden ser lentas, incluso imposibles de descifrar.

Los científicos han soñado con simplemente predecir la forma de una proteína a partir de su secuencia de aminoácidos, una capacidad que abriría un mundo de conocimientos sobre el funcionamiento de la vida.

“Este problema existe desde hace 50 años; mucha gente se ha roto la cabeza con él ”, dice John Moult, biólogo estructural de la Universidad de Maryland, Shady Grove.

Pero tienen una solución práctica.

Hace varios meses, en un resultado aclamado como un punto de inflexión, biólogos computacionales demostraron que una inteligencia artificial (IA) podía predecir con precisión las formas de las proteínas.

Mientras tanto, David Baker y Minkyung Baek de la Universidad de Washington, Seattle, y sus colegas presentan su enfoque de predicción de estructuras basado en IA.

Su método funciona no solo con proteínas simples, sino también con complejos de proteínas.

El método y el código informático de Baker y Baek han estado disponibles durante semanas, y el equipo ya los ha utilizado para modelar más de 4500 secuencias de proteínas enviadas por otros investigadores.

Savvas Savvides, biólogo estructural de la Universidad de Gante, había intentado seis veces modelar una proteína problemática.

Él dice que el programa de Baker y Baek, llamado RoseTTAFold, “allanó el camino hacia una solución de estructura“.

En otoño de 2020, DeepMind, una empresa de inteligencia artificial con sede en el Reino Unido propiedad de Google, cautivó al campo con sus predicciones de estructura en una competencia bienal.

La competencia, denominada Evaluación crítica de la predicción de la estructura de las proteínas (CASP), utiliza estructuras recientemente determinadas mediante laboriosas técnicas de laboratorio, como la cristalografía de rayos X, como puntos de referencia.

El programa de DeepMind, AlphaFold2, hizo “cosas realmente extraordinarias [prediciendo] estructuras de proteínas con precisión atómica“, dice Moult, quien organiza CASP.

Pero para muchos biólogos estructurales, AlphaFold2 fue una broma:

“Increíblemente emocionante pero también muy frustrante“, dice David Agard, biofísico estructural de la Universidad de California en San Francisco.

A mediados de junio, 3 días después de que el laboratorio de Baker publicara su preimpresión RoseTTAFold, Demis Hassabis, CEO de DeepMind, tuiteó que los detalles de AlphaFold2 estaban siendo revisados ​​en una publicación y que la compañía brindaría “amplio acceso gratuito a AlphaFold para la comunidad científica“.

La presentación de 30 minutos de DeepMind en CASP había sido suficiente para inspirar a Baek a desarrollar su propio enfoque.

Al igual que AlphaFold2, utiliza la capacidad de la IA para discernir patrones en vastas bases de datos de ejemplos, generando iteraciones cada vez más informadas y precisas a medida que aprende.

Cuando se le da una nueva proteína para modelar, RoseTTAFold procede a lo largo de múltiples “pistas“.

Uno compara la secuencia de aminoácidos de la proteína con todas las secuencias similares en las bases de datos de proteínas.

Otra predice interacciones por pares entre los aminoácidos dentro de la proteína, y una tercera compila la supuesta estructura 3D.

El programa rebota entre las pistas para refinar el modelo, utilizando la salida de cada una para actualizar las demás.

El enfoque de DeepMind implica solo dos pistas.

Gira Bhabha, biólogo celular y estructural de la Facultad de Medicina de la Universidad de Nueva York, dice que ambos métodos funcionan bien.

“Los avances de los laboratorios DeepMind y Baker son fenomenales y cambiarán la forma en que podemos usar las predicciones de la estructura de las proteínas para avanzar en la biología”, dice.

Un portavoz de DeepMind escribió en un correo electrónico: “Es genial ver ejemplos como este en los que la comunidad de plegamiento de proteínas se está construyendo en AlphaFold para trabajar hacia nuestro objetivo compartido de aumentar nuestra comprensión de la biología estructural“.

Pero AlphaFold2 resolvió las estructuras de solo proteínas individuales, mientras que RoseTTAFold también ha predicho complejas, como la estructura de la molécula inmune interleucina-12 adherida a su receptor.

Muchas funciones biológicas dependen de las interacciones proteína-proteína, dice Torsten Schwede, biólogo estructural computacional de la Universidad de Basilea.

“La capacidad de manejar complejos proteína-proteína directamente a partir de la información de la secuencia lo hace extremadamente atractivo para muchas preguntas en la investigación biomédica“.

Baker admite que las estructuras de AlphaFold2 son más precisas.

Pero Savvides dice que el enfoque del laboratorio Baker captura mejor “la esencia y las particularidades de la estructura de la proteína“, como la identificación de cadenas de átomos que sobresalen de los lados de la proteína, características clave para las interacciones entre proteínas.

El año pasado, AlphaFold2 necesitaba mucha potencia informática para funcionar, más que RoseTTAFold.

“Ahora, parece que han acelerado su método desde CASP14, y ahora es comparable a RoseTTAFold“, dice Baek.

A partir del 1 de junio, Baker y Baek comenzaron a desafiar su método pidiendo a los investigadores que enviaran sus secuencias de proteínas más desconcertantes.

Cincuenta y seis llegaron en el primer mes, todos los cuales ahora tienen estructuras predichas.

El grupo de Agard envió una secuencia de aminoácidos sin proteínas similares conocidas.

En cuestión de horas, su grupo recuperó un modelo de proteína “que probablemente nos ahorró un año de trabajo“, dice Agard.

Ahora, él y su equipo saben dónde mutar la proteína para probar ideas sobre cómo funciona.

Debido a que el grupo de Baek y Baker ha lanzado su código de computadora en la web, otros pueden mejorarlo; el código se ha descargado 250 veces desde el 1 de julio.

“Muchos investigadores construirán sus propios métodos de predicción de estructuras a partir del trabajo de Baker”, dice Jinbo Xu, biólogo estructural computacional del Instituto Tecnológico de Toyota en Chicago.

Hassabis dice que su código de computadora ahora también es de código abierto.

Como resultado del trabajo de ambos grupos, el progreso ahora debería ser rápido, dice Moult:

“Cuando hay un avance como este, 2 años después, todos lo están haciendo tan bien, si no mejor, que antes”.

Fuente: Science