Para entender cualquier forma de vida hay que entender proteínas. Por décadas, los científicos han podido fácilmente analizar la composición de los amino-ácidos de las proteínas, pero han tenido dificultades mayores determinando como se plegaban las proteínas para llegar a su intrincada y definitiva forma.
Especial de Laszlo Beke
Se estima que una proteína razonablemente compleja puede tomar un número astronómicamente grande de formas (más o menos 10 a la potencia 300). El 30/11/20 investigadores de Deep Mind, un laboratorio de Inteligencia Artificial, presentaron resultados que sugieren un progreso extraordinario en uno de los mayores retos de la biología – como usar una computadora para predecir la forma de una proteína partiendo de una lista de componentes amino-ácidos. Para los humanos no-biólogos esto puede sonar arcano y prosaico, sin embargo es un logro excepcional. Reemplazar meses de experimentación con unas pocas horas de tiempo de computadora puede acelerar el desarrollo de drogas y el tratamiento de enfermedades como el Alzheimer. El avance llega demasiado tarde para tener impacto en el Covid19, pero posiblemente no en pandemias futuras.
Proteínas
Las proteínas son los mecanismos microscópicos que impulsan el comportamiento de los virus, las bacterias y de todos los seres vivientes. Comienzan como cadenas de compuestos químicos, antes de doblarse y plegarse en formas tridimensionales que definen lo que pueden hacer o no hacer. Esas enrevesadas cadenas de moléculas, que llamamos proteínas y que están compuestas de un menú de 20 tipos de conexiones químicas llamadas aminoácidos, son las hormigas trabajadoras de la biología. Proteínas, bajo el disfraz de enzimas, catalizan casi todas las reacciones químicas que mantienen a los cuerpos en funcionamiento. La actina y la miosina, las proteínas de los músculos, permiten el movimiento. La queratina les provee la piel y el cabello. La hemoglobina lleva el oxígeno. La insulina regula su metabolismo. También es una proteína el pico del SAR-Cov-2, la que permite que cierto tipo de coronavirus invada las células humanas y con ello se bloquean economías en forma total.
Deep Mind
Este laboratorio británico de Inteligencia Artificial, perteneciente a Alphabet-Google, era hasta ahora mejor conocido por tener sus productos dentro de cámaras de reconocimiento facial y asistentes de voz y por derrotar a humanos en juegos difíciles como Go. Participando por segunda vez en CASP, las competencias bienales conocidas como las “Olimpíadas del Plegamiento de las Proteínas”, Deep Mind con su sistema AlphaFold2 ha resuelto “el problema del plegamiento de proteínas”. Alimentándosele de una cadena de aminoácidos que componen una proteína, AlphaFold 2 puede predecir con una certeza de 92.4% su forma tridimensional. Para los expertos en la materia equivale a un resultado comparable a lo que se obtiene en técnicas como cristalografía de rayos X. Ewan Birney, sub-director del European Molecular Biology Laboratory, una multinacional basada en Alemania expresó ”Cuándo vi los resultados, casi me caí de mi silla”.
Go & el plegamiento de proteínas
Existen sorprendentes similitudes entre el plegamiento de proteínas y el juego Go. Una de ellas es la impracticabilidad de atacar el problema con fuerza bruta computacional. Se estima que hay alrededor de 10.170 posiciones legales en Go, un número mayor que el número de átomos en el universo observable y por ello más allá del alcance de cualquier computadora. Las proteínas son todavía más complicadas, un estimado indica que hay hasta 10.300 formas que puede adoptar una proteína compleja. A esto hay que agregar que además la forma deseada final depende del balance entre las varias fuerzas a escala-atómica que actúan entre y dentro de sus bloques de aminoácidos y con otras moléculas.
Aprendizaje de Máquina y Redes Neurales
De Inteligencia Artificial, para esta solución, Deep Mind utiliza Aprendizaje de Máquina y para el procesamiento computacional Redes Neurales. Una red neural es un sistema matemático libremente modelado en las redes de neuronas del cerebro humano. Con Redes Neurales, las máquinas ahora pueden aprender a llevar a cabo muchas tareas que antes estaban lejos de su alcance y a veces más allá del alcance de los seres humanos. Analizando miles de proteínas conocidas y sus formas físicas, una red neural puede predecir las formas de otras.
En juegos como Go y FoldIt, los participantes en lugar de explicar paso a paso lo que están pensando tienden a hablar en términos más vagos como “intuición” y “lo que sienten que se debe hacer”. Aquí es donde entra Aprendizaje de Máquina. Al alimentar a las computadoras con suficientes ejemplos, estas son capaces de aprender y aplicar atajos y “reglas de oro” del tipo que los humanos desarrollan y emplean, pero que resultan ser difíciles de articular. Por la magnitud del problema, las máquinas que son capaces de ejecutar este conjunto son redes neurales y no supercomputadoras. Exactamente como Deep Mind logró el éxito, que eludió a otros antes todavía se desconoce, pero ya existe la promesa de un “paper” técnico.
Potencial
La ciencia sabe que hay 180 millones de secuencias de aminoácidos, pero solo para 170.000 se han determinado las estructuras. Potenciando este número puede ayudar para filtrar candidatos para fármacos que pueden ligar bien con una proteína específica. Pueden ser utilizadas para reanalizar fármacos existentes para determinar que más podrían hacer. Podría impulsar la biología sintética acelerando la creación de proteínas diseñadas-por-el-hombre para catalizar reacciones químicas. También podría ayudar a los científicos a entender enfermedades genéticas como Alzheimer o fibrosis quística. Los métodos de Deep Mind también podrían acelerar la respuesta a pandemias futuras.