Estimated reading time: 15 minutos
La Real Academia Sueca de Ciencias ha decidido otorgar el Premio Nobel de Química 2024, con una mitad para David Baker de la Universidad de Washington, Seattle, WA, EE. UU., «por el diseño computacional de proteínas», y la otra mitad conjuntamente a Demis Hassabis y John M. Jumper, ambos de Google DeepMind, Londres, Reino Unido, «por la predicción de estructuras proteicas».
Demis Hassabis y John Jumper han utilizado con éxito la inteligencia artificial para predecir la estructura de casi todas las proteínas conocidas. David Baker ha aprendido a dominar los componentes básicos de la vida y a crear proteínas totalmente nuevas.
- Interpretando el código de la vida
- Computación, IA y proteínas
- Las primeras imágenes de las proteínas
- ¿Cómo encuentra una proteína su estructura única?
- El gran desafío de la bioquímica
- Un maestro de juegos de mesa entra en las Olimpiadas de las proteínas
- Una victoria inesperada para el modelo de IA de Hassabis
- Jumper recoge el desafío del gran reto de la bioquímica
- Resultados sorprendentes con un modelo de IA reformado
- Un libro de texto sobre la célula hace que David Baker cambie de rumbo
- Baker se convierte en constructor de proteínas
- Una proteína única ve la luz
- Creaciones espectaculares del laboratorio de Baker
- El trabajo que antes llevaba años ahora toma solo unos minutos.
Interpretando el código de la vida
Hace tiempo que los químicos sueñan con comprender y dominar las herramientas químicas de la vida: las proteínas. Este sueño está ahora al alcance de la mano. Demis Hassabis y John M. Jumper han utilizado con éxito la inteligencia artificial para predecir la estructura de casi todas las proteínas conocidas. David Baker ha aprendido a dominar los componentes básicos de la vida y a crear proteínas totalmente nuevas. El potencial de sus descubrimientos es enorme.
Computación, IA y proteínas
¿Cómo es posible la exuberante química de la vida? La respuesta a esta pregunta radica en la existencia de las proteínas, que pueden describirse como las herramientas que interpretan el código de la vida. Generalmente, las proteínas están formadas por 20 aminoácidos que pueden combinarse de maneras infinitas. Utilizando la información almacenada en el ADN como plano, los aminoácidos se unen en nuestras células para formar largas cadenas, que son la base de las proteínas.
Luego ocurre la magia de las proteínas: la cadena de aminoácidos se retuerce y pliega en una estructura tridimensional distinta, muchas veces única. Esta estructura es lo que otorga a las proteínas su función.
Algunas se convierten en bloques de construcción química que forman músculos, cuernos o plumas, mientras que otras se transforman en hormonas o anticuerpos. Muchas de ellas forman enzimas, que impulsan las reacciones químicas de la vida con una precisión asombrosa. Las proteínas que se encuentran en las superficies de las células también son importantes, ya que actúan como canales de comunicación entre la célula y su entorno.
Es difícil exagerar el potencial que encierran los bloques químicos de la vida, estos 20 aminoácidos. El Premio Nobel de Química 2024 trata sobre comprender y dominar estos aminoácidos a un nivel completamente nuevo.
La mitad del premio ha sido otorgada a Demis Hassabis y John Jumper, quienes han utilizado la inteligencia artificial para resolver con éxito un problema con el que los químicos han luchado durante más de 50 años: predecir la estructura tridimensional de una proteína a partir de una secuencia de aminoácidos. Esto les ha permitido predecir la estructura de casi todos los 200 millones de proteínas conocidas. La otra mitad del premio ha sido concedida a David Baker. Él ha desarrollado métodos computacionales para lograr lo que muchos creían imposible: crear proteínas que no existían previamente y que, en muchos casos, tienen funciones completamente nuevas.
El Premio Nobel de Química 2024 reconoce dos descubrimientos diferentes, pero estrechamente relacionados. Para entender los desafíos que los laureados de este año han superado, debemos retroceder a los inicios de la bioquímica moderna.
Las primeras imágenes de las proteínas
Desde el siglo XIX, los químicos sabían que las proteínas son fundamentales para los procesos vitales, pero no fue hasta la década de 1950 cuando las herramientas químicas se volvieron lo suficientemente precisas como para que los investigadores pudieran comenzar a estudiarlas en detalle.
Los investigadores de Cambridge, John Kendrew y Max Perutz, realizaron un descubrimiento revolucionario al utilizar con éxito, a finales de esa década, una técnica llamada cristalografía de rayos X para obtener los primeros modelos tridimensionales de proteínas.
En reconocimiento a este logro, recibieron el Premio Nobel de Química en 1962. Desde entonces, los investigadores han seguido utilizando principalmente la cristalografía de rayos X, a menudo con un gran esfuerzo, para producir imágenes de aproximadamente 200,000 proteínas diferentes, lo que sentó las bases para el Premio Nobel de Química 2024.
¿Cómo encuentra una proteína su estructura única?
Christian Anfinsen, un científico estadounidense, hizo un descubrimiento temprano clave. Utilizando varios trucos químicos, logró hacer que una proteína existente se desplegara y luego se plegara de nuevo. La observación interesante fue que la proteína adoptaba exactamente la misma forma cada vez.
En 1961, concluyó que la estructura tridimensional de una proteína está completamente gobernada por la secuencia de aminoácidos que la compone. Esto lo llevó a recibir el Premio Nobel de Química en 1972.
Sin embargo, la lógica de Anfinsen contenía una paradoja, señalada por otro estadounidense, Cyrus Levinthal, en 1969. Él calculó que, aunque una proteína solo conste de 100 aminoácidos, en teoría podría adoptar al menos 1047 estructuras tridimensionales diferentes. Si la cadena de aminoácidos se plegara al azar, tardaría más que la edad del universo en encontrar la estructura correcta. En una célula, sin embargo, este proceso solo tarda unos pocos milisegundos. Entonces, ¿cómo se pliega realmente la cadena de aminoácidos?
El descubrimiento de Anfinsen y la paradoja de Levinthal implicaban que el plegamiento es un proceso predeterminado. Y, lo más importante, toda la información sobre cómo se pliega la proteína debe estar contenida en la secuencia de aminoácidos.
El gran desafío de la bioquímica
Estas ideas llevaron a una conclusión crucial: si los químicos conocen la secuencia de aminoácidos de una proteína, deberían ser capaces de predecir su estructura tridimensional. Esta idea era emocionante. Si lo lograban, ya no tendrían que depender de la tediosa cristalografía de rayos X, ahorrando mucho tiempo, y también podrían generar estructuras de todas las proteínas para las que la cristalografía no era aplicable.
Estas conclusiones lógicas plantearon lo que se convirtió en el gran desafío de la bioquímica: el problema de la predicción. Para fomentar un desarrollo más rápido en el campo, en 1994 los investigadores lanzaron un proyecto llamado Evaluación Crítica de la Predicción de Estructuras de Proteínas (CASP, por sus siglas en inglés), que se transformó en una competencia.
Cada dos años, los investigadores de todo el mundo recibían secuencias de aminoácidos de proteínas cuyas estructuras acababan de ser determinadas. Sin embargo, estas estructuras se mantenían en secreto para los participantes, cuyo desafío era predecirlas basándose en las secuencias conocidas.
CASP atrajo a muchos investigadores, pero resolver el problema de la predicción resultó increíblemente difícil. Las predicciones que los investigadores presentaban en la competencia apenas mejoraban en comparación con las estructuras reales. El gran avance solo ocurrió en 2018, cuando un maestro del ajedrez, experto en neurociencia y pionero en inteligencia artificial entró en escena.
Un maestro de juegos de mesa entra en las Olimpiadas de las proteínas
Echemos un vistazo rápido al trasfondo de Demis Hassabis: comenzó a jugar ajedrez a los cuatro años y alcanzó el nivel de maestro a los 13. En su adolescencia, inició una carrera como programador y desarrollador de videojuegos exitoso. Luego, comenzó a explorar la inteligencia artificial y se adentró en la neurociencia, donde realizó varios descubrimientos revolucionarios.
Utilizó lo que aprendió sobre el cerebro para desarrollar mejores redes neuronales para la inteligencia artificial. En 2010 cofundó DeepMind, una empresa que desarrolló modelos de IA magistrales para juegos de mesa populares. La empresa fue vendida a Google en 2014 y, dos años después, DeepMind llamó la atención mundial cuando logró lo que muchos consideraban el santo grial de la IA: derrotar al campeón de uno de los juegos de mesa más antiguos del mundo, Go.
Sin embargo, para Hassabis, Go no era el objetivo final, sino un medio para desarrollar mejores modelos de IA. Tras esta victoria, su equipo estaba listo para abordar problemas de mayor importancia para la humanidad, por lo que en 2018 se inscribió en la decimotercera competencia de CASP.
Una victoria inesperada para el modelo de IA de Hassabis
En años anteriores, las estructuras de proteínas que los investigadores predecían para la competencia CASP lograban una precisión del 40 % en el mejor de los casos. Con su modelo de IA, AlphaFold, el equipo de Hassabis alcanzó casi el 60 %. Ganaron, y el excelente resultado sorprendió a muchos: fue un progreso inesperado, pero la solución aún no era lo suficientemente buena. Para tener éxito, la predicción debía alcanzar un 90 % de precisión en comparación con la estructura objetivo. Hassabis y su equipo continuaron desarrollando AlphaFold, pero, por más que lo intentaron, el algoritmo nunca logró llegar al nivel necesario. La dura realidad era que habían llegado a un callejón sin salida. El equipo estaba exhausto, pero un empleado relativamente nuevo tenía ideas decisivas sobre cómo mejorar el modelo de IA: John Jumper.
Jumper recoge el desafío del gran reto de la bioquímica
La fascinación de John Jumper por el universo lo llevó a estudiar física y matemáticas. Sin embargo, en 2008, cuando comenzó a trabajar en una empresa que usaba supercomputadoras para simular proteínas y su dinámica, se dio cuenta de que el conocimiento de la física podía ayudar a resolver problemas médicos.
Jumper llevó este interés recién adquirido por las proteínas cuando, en 2011, comenzó su doctorado en física teórica. Para ahorrar capacidad computacional —algo escaso en la universidad— empezó a desarrollar métodos más simples e ingeniosos para simular la dinámica de las proteínas.
Pronto, él también recogió el desafío del gran reto de la bioquímica. En 2017, recién había completado su doctorado cuando escuchó rumores de que Google DeepMind había comenzado, en gran secreto, a predecir estructuras de proteínas. Envió una solicitud de empleo. Su experiencia en simulación de proteínas le permitió tener ideas creativas sobre cómo mejorar AlphaFold y, después de que el equipo se estancara, fue promovido. Jumper y Hassabis co-lideraron el trabajo que reformó fundamentalmente el modelo de IA.
Resultados sorprendentes con un modelo de IA reformado
La nueva versión, AlphaFold2, se vio influenciada por el conocimiento de Jumper sobre proteínas. El equipo también comenzó a usar la innovación detrás del reciente y enorme avance en la IA: redes neuronales llamadas transformers. Estas pueden identificar patrones en enormes cantidades de datos de manera más flexible que antes y determinar de manera eficiente en qué centrarse para lograr un objetivo específico.
El equipo entrenó AlphaFold2 con la vasta información en las bases de datos de todas las estructuras de proteínas y secuencias de aminoácidos conocidas, y la nueva arquitectura de IA comenzó a entregar buenos resultados justo a tiempo para la decimocuarta competencia CASP.
En 2020, cuando los organizadores de CASP evaluaron los resultados, comprendieron que el desafío de 50 años de la bioquímica había terminado. En la mayoría de los casos, AlphaFold2 funcionó casi tan bien como la cristalografía de rayos X, lo que fue asombroso. Cuando uno de los fundadores de CASP, John Moult, concluyó la competencia el 4 de diciembre de 2020, preguntó: ¿y ahora qué?
Volveremos a esa pregunta. Ahora vamos a retroceder en el tiempo para destacar a otro participante en CASP. Presentamos la otra mitad del Premio Nobel de Química 2024, que trata sobre el arte de crear nuevas proteínas desde cero.
Un libro de texto sobre la célula hace que David Baker cambie de rumbo
Cuando David Baker comenzó a estudiar en la Universidad de Harvard, eligió filosofía y ciencias sociales. Sin embargo, durante un curso de biología evolutiva, se topó con la primera edición del ahora clásico libro de texto *Biología Molecular de la Célula*. Este encuentro lo llevó a cambiar su rumbo en la vida. Empezó a explorar la biología celular y, eventualmente, quedó fascinado por las estructuras proteicas.
En 1993, cuando comenzó como líder de grupo en la Universidad de Washington en Seattle, asumió el gran desafío de la bioquímica. Mediante ingeniosos experimentos, comenzó a explorar cómo se pliegan las proteínas. Estos conocimientos los aplicó cuando, a finales de los años 90, empezó a desarrollar un software capaz de predecir estructuras proteicas: Rosetta.
Baker debutó en la competencia CASP en 1998 usando Rosetta y, en comparación con otros participantes, su software tuvo un gran desempeño. Este éxito llevó a una nueva idea: el equipo de Baker podría usar el software al revés. En lugar de ingresar secuencias de aminoácidos en Rosetta para obtener estructuras proteicas, deberían poder ingresar una estructura proteica deseada y obtener sugerencias sobre su secuencia de aminoácidos, lo que les permitiría crear proteínas completamente nuevas.
Baker se convierte en constructor de proteínas
El campo del diseño de proteínas, en el que los investigadores crean proteínas a medida con nuevas funciones, comenzó a despegar a finales de los años 90. En muchos casos, los investigadores modificaban proteínas existentes para hacer cosas como descomponer sustancias peligrosas o funcionar como herramientas en la industria química.
Sin embargo, el rango de proteínas naturales es limitado. Para aumentar el potencial de obtener proteínas con funciones completamente nuevas, el grupo de investigación de Baker quería crearlas desde cero. Como dijo Baker: «Si quieres construir un avión, no empiezas modificando un pájaro; en cambio, entiendes los principios fundamentales de la aerodinámica y construyes máquinas voladoras a partir de esos principios».
Una proteína única ve la luz
El campo en el que se construyen proteínas completamente nuevas se llama diseño de novo. El grupo de investigación diseñó una proteína con una estructura totalmente nueva y luego utilizó Rosetta para calcular qué tipo de secuencia de aminoácidos podría resultar en la proteína deseada.
Para hacerlo, Rosetta buscó en una base de datos de todas las estructuras proteicas conocidas y encontró fragmentos cortos de proteínas que tuvieran similitudes con la estructura deseada. Utilizando conocimientos fundamentales sobre el paisaje energético de las proteínas, Rosetta optimizó estos fragmentos y propuso una secuencia de aminoácidos.
Para comprobar la efectividad del software, el grupo de Baker introdujo el gen para la secuencia de aminoácidos propuesta en bacterias que produjeron la proteína deseada. Luego determinaron la estructura de la proteína mediante cristalografía de rayos X.
Resultó que Rosetta realmente podía construir proteínas. La proteína que los investigadores desarrollaron, Top7, tenía casi exactamente la estructura que habían diseñado.
Creaciones espectaculares del laboratorio de Baker
Top7 fue una sorpresa para los investigadores que trabajaban en el diseño de proteínas. Aquellos que anteriormente habían creado proteínas de novo solo habían podido imitar estructuras existentes. La estructura única de Top7 no existía en la naturaleza. Además, con sus 93 aminoácidos, la proteína era más grande que cualquier otra producida mediante diseño de novo hasta ese momento.
Baker publicó su descubrimiento en 2003. Este fue el primer paso en algo que solo puede describirse como un desarrollo extraordinario. Además, liberó el código de Rosetta, lo que permitió que una comunidad global de investigadores continuara desarrollando el software, encontrando nuevas áreas de aplicación.
Es hora de atar los cabos sueltos del Premio Nobel de Química 2024. ¿Y ahora qué?
El trabajo que antes llevaba años ahora toma solo unos minutos.
Cuando Demis Hassabis y John Jumper confirmaron que AlphaFold2 realmente funcionaba, calcularon la estructura de todas las proteínas humanas. Luego predijeron la estructura de virtualmente todas las 200 millones de proteínas que los investigadores han descubierto hasta ahora al mapear los organismos de la Tierra.
Google DeepMind también ha puesto el código de AlphaFold2 públicamente disponible, y cualquiera puede acceder a él. El modelo de IA se ha convertido en una mina de oro para los investigadores. Hasta octubre de 2024, AlphaFold2 había sido utilizado por más de dos millones de personas de 190 países.
Anteriormente, a menudo tomaba años obtener una estructura de proteína, si es que se lograba. Ahora se puede hacer en unos pocos minutos. El modelo de IA no es perfecto, pero estima la corrección de la estructura que ha producido, por lo que los investigadores saben qué tan confiable es la predicción.
Después de la competencia CASP de 2020, cuando David Baker se dio cuenta del potencial de los modelos de IA basados en transformers, añadió uno a Rosetta, lo que también ha facilitado el diseño de novo de proteínas. En los últimos años, una increíble creación de proteínas tras otra ha surgido del laboratorio de Baker. Un desarrollo vertiginoso en beneficio de la humanidad.
La asombrosa versatilidad de las proteínas como herramientas químicas se refleja en la vasta diversidad de la vida. Que ahora podamos visualizar tan fácilmente la estructura de estas pequeñas máquinas moleculares es desconcertante; nos permite entender mejor cómo funciona la vida, incluido por qué se desarrollan algunas enfermedades, cómo ocurre la resistencia a los antibióticos o por qué algunos microbios pueden descomponer plásticos.
La capacidad de crear proteínas cargadas con nuevas funciones es igualmente asombrosa. Esto puede llevar a nuevos nanomateriales, farmacéuticos dirigidos, desarrollo más rápido de vacunas, sensores mínimos y una industria química más verde, por nombrar solo algunas aplicaciones que son para el mayor beneficio de la humanidad.
Articulo original The Nobel Prize in Chemistry 2024 Traducido y adaptado por quimicafacil.net
Como citar este artículo:
APA: (2024-10-09). Premio Nobel de Química 2024. Recuperado de https://quimicafacil.net/premios-nobel/premio-nobel-de-quimica-2024/
ACS: . Premio Nobel de Química 2024. https://quimicafacil.net/premios-nobel/premio-nobel-de-quimica-2024/. Fecha de consulta 2024-11-21.
IEEE: , "Premio Nobel de Química 2024," https://quimicafacil.net/premios-nobel/premio-nobel-de-quimica-2024/, fecha de consulta 2024-11-21.
Vancouver: . Premio Nobel de Química 2024. [Internet]. 2024-10-09 [citado 2024-11-21]. Disponible en: https://quimicafacil.net/premios-nobel/premio-nobel-de-quimica-2024/.
MLA: . "Premio Nobel de Química 2024." https://quimicafacil.net/premios-nobel/premio-nobel-de-quimica-2024/. 2024-10-09. Web.
Si tiene alguna pregunta o sugerencia, escribe a administracion@quimicafacil.net, o visita Como citar quimicafacil.net