También hemos visto signos de que la predicción de la estructura de proteínas podría ser útil en futuros esfuerzos de respuesta a pandemias, como una de las muchas herramientas desarrolladas por la comunidad científica. A principios de este año, predijimos varias estructuras proteicas del virus del SARS-CoV-2, incluida la ORF3a, cuyas estructuras eran desconocidas anteriormente. En CASP14, predijimos la estructura de otra proteína del coronavirus, ORF8. El trabajo impresionantemente rápido de los experimentadores ha confirmado ahora las estructuras de ORF3a y ORF8. A pesar de su naturaleza desafiante y de tener muy pocas secuencias relacionadas, logramos un alto grado de precisión en ambas predicciones en comparación con sus estructuras determinadas experimentalmente.
Además de acelerar la comprensión de las enfermedades conocidas, estamos entusiasmados con el potencial de estas técnicas para explorar los cientos de millones de proteínas para las que actualmente no tenemos modelos, un vasto terreno de biología desconocida. Dado que el ADN especifica las secuencias de aminoácidos que componen las estructuras proteicas, la revolución genómica ha hecho posible leer secuencias proteicas del mundo natural a escala masiva, con 180 millones de secuencias proteicas y contando en la base de datos Universal de Proteínas (UniProt). En contraste, dado el trabajo experimental necesario para pasar de la secuencia a la estructura, solo alrededor de 170,000 estructuras de proteínas están en el Banco de Datos de Proteínas (PDB). Entre las proteínas indeterminadas puede haber algunas con funciones nuevas y emocionantes y, al igual que un telescopio nos ayuda a ver más profundamente en el universo desconocido, técnicas como AlphaFold pueden ayudarnos a encontrarlas.
Desbloquear nuevas posibilidades
AlphaFold es uno de nuestros avances más significativos hasta la fecha, pero, como con toda la investigación científica, todavía hay muchas preguntas que responder. No todas las estructuras que predecimos serán perfectas. Todavía hay mucho que aprender, incluyendo cómo múltiples proteínas forman complejos, cómo interactúan con el ADN, el ARN o pequeñas moléculas, y cómo podemos determinar la ubicación precisa de todas las cadenas laterales de aminoácidos. En colaboración con otros, también hay mucho que aprender sobre la mejor manera de utilizar estos descubrimientos científicos en el desarrollo de nuevos medicamentos, formas de manejar el medio ambiente y más.
Para todos los que trabajamos en métodos computacionales y de aprendizaje automático en ciencia, sistemas como AlphaFold demuestran el impresionante potencial de la IA como herramienta para ayudar al descubrimiento fundamental. Al igual que hace 50 años Anfinsen planteó un desafío que estaba más allá del alcance de la ciencia en ese momento, hay muchos aspectos de nuestro universo que permanecen desconocidos. El progreso anunciado hoy nos da más confianza en que la IA se convertirá en una de las herramientas más útiles de la humanidad para expandir las fronteras del conocimiento científico, ¡y esperamos con ansias los muchos años de arduo trabajo y descubrimiento que nos esperan!
Hasta que hayamos publicado un artículo sobre este trabajo, cite:
Predicción de Estructura de Proteínas de Alta Precisión Mediante Aprendizaje Profundo
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, David Silver, Oriol Vinyals, Andrew W Senior, Koray Kavukcuoglu, Pushmeet Kohli, Demis Hassabis.
En Decimocuarta Evaluación Crítica de Técnicas para la Predicción de la Estructura Proteica (Libro de Resúmenes), 30 de noviembre – 4 de diciembre de 2020. Recuperado de aquí.
Estamos justo en el comienzo de explorar la mejor manera de permitir que otros grupos utilicen nuestras predicciones de estructura, además de preparar un artículo revisado por pares para su publicación. Si bien nuestro equipo no podrá responder a todas las consultas, si AlphaFold puede ser relevante para su trabajo, envíe algunas líneas al respecto a [email protected] Estaremos en contacto si hay margen para una mayor exploración.