Las proteínas son esenciales para la vida y sustentan prácticamente todas sus funciones. Son moléculas grandes y complejas, formadas por cadenas de aminoácidos, y lo que hace una proteína depende en gran medida de su estructura tridimensional única . Averiguar qué formas adoptan las proteínas se conoce como el “problema del plegamiento de las proteínas” y ha sido un gran desafío en biología durante los últimos 50 años. En un avance científico importante, la última versión del sistema de IA AlphaFold ha sido reconocida como una solución a este gran desafío por los organizadores de la Evaluación crítica de la predicción de la estructura de las proteínas ( CASP ) bienal. Este avance demuestra el impacto que puede tener la IA en el descubrimiento científico y su potencial para acelerar drásticamente el progreso en algunos de los campos más fundamentales que explican y dan forma a nuestro mundo.
La forma de una proteína está estrechamente relacionada con su función, y la capacidad de predecir esta estructura nos permite comprender mejor qué hace y cómo funciona. Muchos de los mayores desafíos del mundo, como el desarrollo de tratamientos para enfermedades o el hallazgo de enzimas que descompongan los desechos industriales, están fundamentalmente relacionados con las proteínas y el papel que desempeñan.
Este ha sido un tema de intensa investigación científica durante muchos años, utilizando una variedad de técnicas experimentales para examinar y determinar las estructuras de las proteínas, como la resonancia magnética nuclear y la cristalografía de rayos X. Estas técnicas, así como los métodos más nuevos como la criomicroscopía electrónica, dependen de un extenso proceso de ensayo y error, que puede llevar años de trabajo minucioso y laborioso por estructura, y requieren el uso de equipo especializado que cuesta millones de dólares.
En 1994, el profesor John Moult y el profesor Krzysztof Fidelis fundaron CASP como una evaluación bienal a ciegas para catalizar la investigación, supervisar el progreso y establecer el estado del arte en la predicción de la estructura de las proteínas. Es a la vez el estándar de oro para evaluar las técnicas predictivas y una comunidad global única construida sobre el esfuerzo compartido. Fundamentalmente, CASP elige estructuras de proteínas que se han determinado experimentalmente muy recientemente (algunas todavía estaban esperando la determinación en el momento de la evaluación) como objetivos para que los equipos prueben sus métodos de predicción de la estructura; no se publican con antelación. Los participantes deben predecir a ciegas la estructura de las proteínas, y estas predicciones se comparan posteriormente con los datos experimentales de verdad fundamental cuando están disponibles. Estamos en deuda con los organizadores de CASP y con toda la comunidad, en particular con los experimentadores cuyas estructuras permiten este tipo de evaluación rigurosa.
La principal métrica utilizada por CASP para medir la precisión de las predicciones es la Prueba de Distancia Global (GDT), que va de 0 a 100. En términos simples, la GDT puede considerarse aproximadamente como el porcentaje de residuos de aminoácidos (perlas en la cadena de proteínas) dentro de una distancia umbral desde la posición correcta. Según el profesor Moult , una puntuación de alrededor de 90 GDT se considera informalmente competitiva con los resultados obtenidos a partir de métodos experimentales.
En los resultados de la 14.ª evaluación CASP, el último sistema AlphaFold alcanza una puntuación media de 92,4 GDT en general en todos los objetivos. Esto significa que las predicciones tienen un error medio (RMSD) de aproximadamente 1,6 angstroms, que es comparable al ancho de un átomo (o 0,1 de un nanómetro). Incluso para los objetivos proteicos más difíciles, aquellos en la categoría de modelado libre más desafiante, AlphaFold alcanza una puntuación media de 87,0 GDT (datos disponibles aquí).
Fuente y más informacion en el siguiente enlace: https://deepmind.google/discover/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/?utm_source=sfmc&utm_medium=email&utm_campaign=2833063_Si-public-users-expert-recommendations-july-2024&utm_term=&emailType=Strategic%20Intelligence%20Monthly&ske=MDAxVEcwMDAwMDdKWjJzWUFH