Quiénes son los científicos de Google Deep Mind que descifraron el código de las proteínas y ganaron el Nobel de Química

9 de octubre de 2024

Quiénes son los científicos de Google Deep Mind que descifraron el código de las proteínas y ganaron el Nobel de Química

Demis Hassabis, fundador de la startup de Inteligencia Artificial, y John Jumper, líder del desarrollo del software AlphaFold, comparten el galardón con David Baker, de la Universidad de Washington. El alcance de sus hallazgos

>La Real Academia Sueca de Ciencias entregÃ³ el En esta ocasiÃ³n, el premio tiene un vÃnculo estrecho con el gigante tecnolÃ³gico Google: Hassabis, es el fundador de Google DeepMind, y Jumper, quien dirige el desarrollo del software de predicciÃ³n de proteÃnas AlphaFold de la compaÃ±Ãa, comparten el premio junto al bioquÃmico Baker, de la Universidad de Washington.

Desde los albores de la biologÃa molecular, los cientÃficos soÃ±aron con comprender y dominar las proteÃnas. Estas molÃ©culas complejas son esenciales para prÃ¡cticamente todos los procesos biolÃ³gicos, desde la construcciÃ³n de los tejidos del cuerpo hasta la regulaciÃ³n de las reacciones quÃmicas que nos mantienen vivos.

La inteligencia artificial es una fuerza transformadora en varios campos, pero su impacto en la quÃmica y la biologÃa es hoy especialmente revolucionario. Por un lado, Hassabis y Jumper han utilizado esta tecnologÃa para resolver un problema que desafiÃ³ a los cientÃficos durante mÃ¡s de 50 aÃ±os: la predicciÃ³n precisa de la estructura tridimensional de las proteÃnas a partir de su secuencia de aminoÃ¡cidos.

Por otro lado, Baker ha ido un paso mÃ¡s allÃ¡, no solo comprendiendo estas estructuras, sino tambiÃ©n creando proteÃnas completamente nuevas con funciones innovadoras. Los avances realizados por estos tres investigadores abren la puerta a aplicaciones potencialmente transformadoras en medicina, biotecnologÃa e industrias relacionadas.

Las proteÃnas son molÃ©culas que desempeÃ±an una gran variedad de funciones dentro de los organismos vivos. EstÃ¡n formadas por cadenas de aminoÃ¡cidos, de los cuales existen 20 tipos diferentes que pueden combinarse en una infinidad de maneras.

Predecir cÃ³mo se pliega una cadena de aminoÃ¡cidos en su estructura tridimensional ha sido uno de los grandes desafÃos de la bioquÃmica. Aunque se sabe que la secuencia de aminoÃ¡cidos de una proteÃna determina su estructura, la cantidad de combinaciones posibles es tan vasta que, si una proteÃna se plegara de forma aleatoria, tardarÃa mÃ¡s que la edad del universo en encontrar su estructura final. Este problema, conocido como la paradoja de Levinthal, ha desconcertado a los cientÃficos durante dÃ©cadas.

Hassabis comenzÃ³ su carrera como prodigio del ajedrez y desarrollador de videojuegos, pero luego se enfocÃ³ en la inteligencia artificial y la neurociencia, para ello cofundÃ³ en 2010 la empresa DeepMind, que fue adquirida por Google en 2014 tras su Ã©xito en desarrollar modelos de IA.

Gracias al modelo de IA llamado AlphaFold2, lograron predecir con una precisiÃ³n sorprendente la estructura de casi todas las proteÃnas conocidas, un total de mÃ¡s de 200 millones.

Este avance es extraordinario, ya que anteriormente, predecir la estructura de una proteÃna era un proceso laborioso que podÃa llevar aÃ±os de trabajo utilizando tÃ©cnicas como la cristalografÃa de rayos X.

El impacto de este logro es enorme: ahora, en lugar de esperar aÃ±os para obtener la estructura de una proteÃna, los cientÃficos pueden predecirla en cuestiÃ³n de minutos.

Esto no solo acelera el progreso en la investigaciÃ³n bÃ¡sica, sino que tambiÃ©n abre la puerta a un sinfÃn de aplicaciones prÃ¡cticas, desde el diseÃ±o de nuevos medicamentos hasta la creaciÃ³n de materiales biocompatibles.

Mientras que Hassabis y Jumper transformaron la manera en que se logra predecir las estructuras de las proteÃnas existentes, el trabajo de Baker se centra en la creaciÃ³n de proteÃnas nuevas. Tradicionalmente, los cientÃficos han modificado proteÃnas naturales para mejorar sus funciones o adaptarlas a nuevas tareas, como descomponer sustancias peligrosas o actuar como herramientas en procesos industriales.

Baker, trabajando en la Universidad de Washington, decidiÃ³ que, en lugar de modificar proteÃnas existentes, serÃa mejor diseÃ±ar proteÃnas desde cero. Usando mÃ©todos computacionales avanzados, Baker desarrollÃ³ un software llamado Rosetta, que puede diseÃ±ar secuencias de aminoÃ¡cidos para generar proteÃnas con estructuras especÃficas.

El diseÃ±o de proteÃnas de novo tiene un enorme potencial. Las proteÃnas diseÃ±adas podrÃan usarse en la medicina, para desarrollar tratamientos especÃficos para enfermedades genÃ©ticas o como base para vacunas mÃ¡s efectivas. TambiÃ©n podrÃan emplearse en la biotecnologÃa, creando enzimas personalizadas que puedan degradar desechos plÃ¡sticos o generar energÃa de manera mÃ¡s eficiente.

Los descubrimientos de Hassabis, Jumper y Baker representan un avance sin precedentes en nuestra capacidad para comprender y manipular las proteÃnas, los bloques fundamentales de la vida.

AdemÃ¡s, la capacidad de crear nuevas proteÃnas con funciones especÃficas abrirÃ¡ nuevas oportunidades en Ã¡reas como la creaciÃ³n de nanomateriales, el desarrollo de vacunas y el diseÃ±o de fÃ¡rmacos.