
En un nuevo estudio, Deepmind y sus colegas de Isomorphic Labs muestran los primeros resultados de una nueva versión de AlphaFold que acerca a la realidad la predicción totalmente automatizada de estructuras de moléculas biológicas.
El equipo de Google Deepmind AlphaFold e Isomorphic Labs ha presentado hoy el último modelo AlphaFold. Según las empresas, el modelo actualizado puede predecir ahora la estructura de casi cualquier molécula del Banco de Datos de Proteínas (PDB), a menudo con precisión atómica. Este avance, afirman, es un paso importante hacia una mejor comprensión de los complejos mecanismos biológicos del interior de las células.
Desde su lanzamiento en 2020, AlphaFold ha influido en la predicción de la estructura de proteínas en todo el mundo. La última versión del modelo va más allá de las proteínas para incluir una amplia gama de moléculas biológicamente relevantes, como ligandos, ácidos nucleicos y modificaciones postraduccionales. Según Deepmind, estas estructuras son fundamentales para comprender los mecanismos biológicos en las células y han sido difíciles de predecir con gran precisión.
AlphaFold de Deepmind supera a los modelos de predicción especializados
En la predicción de interacciones proteína-ligando, AlphaFold supera a los métodos convencionales en alrededor de un 20 por ciento y también puede hacer predicciones para proteínas totalmente nuevas que aún no han sido caracterizadas estructuralmente. La precisión de las interfaces proteína-proteína también ha mejorado, en algunos casos significativamente, con respecto a versiones anteriores, sobre todo en determinadas categorías, como las estructuras de unión de anticuerpos.
En el caso de las interfaces proteína-ácido nucleico, la nueva versión de AlphaFold supera a sistemas competidores como RoseTTAFold2NA, mientras que en la predicción de estructuras de ARN supera a otros métodos automatizados, pero queda ligeramente por detrás de los mejores participantes del CASP15 que utilizan la intervención manual de expertos humanos. Por tanto, el modelo AlphaFold mejorado podría tener un impacto significativo en el descubrimiento de fármacos, donde es importante la predicción de estructuras relevantes como la unión de anticuerpos y la unión proteína-ligando.
La nueva versión de AlphaFold acerca la predicción de estructuras totalmente automatizada
Aunque el modelo presentado aún está en desarrollo activo, el equipo cree que ya demuestra que la predicción computacional de estructuras de biomoléculas generales es posible utilizando modelos de aprendizaje automático como AlphaFold, y abre muchas vías de investigación futuras apasionantes para entender la biología.
El objetivo de la predicción de estructuras totalmente automatizada directamente a partir de la secuencia está ahora un paso más cerca.
Además de la predicción de estructuras de proteínas, AlphaFold también puede generar estructuras altamente precisas para otros tipos de moléculas biológicas, como ligandos y ácidos nucleicos. Esto puede ser especialmente útil en el descubrimiento de fármacos, ya que ayuda a identificar y diseñar nuevas moléculas que podrían convertirse en medicamentos. En comparación con los métodos convencionales de acoplamiento, el modelo de AlphaFold supera en rendimiento sin necesidad de una estructura de proteína de referencia o la ubicación del bolsillo del ligando.
Este avance en la predicción de estructuras también tiene implicaciones en la edición genética. Por ejemplo, el modelo ha demostrado su capacidad para predecir con precisión la estructura del sistema CRISPR-Cas9, conocido como «tijeras genéticas», que se utiliza en la edición del ADN de animales, plantas y microorganismos.
El modelo de AlphaFold ha sido un catalizador para importantes avances científicos en todo el mundo, y esta nueva generación tiene el potencial de acelerar aún más la exploración científica. Los equipos de Google DeepMind y Isomorphic Labs continúan trabajando en este importante proyecto y esperamos compartir más avances en el futuro cercano.