Galardonan investigaciones que ayudan a entender las proteínas

Durante más de 50 años los científicos intentaron entender la compleja estructura de las proteínas. Cada uno que se aventuraba en este mundo proporcionaba información para comprenderlas, pero no se llegaba a una solución completa. Pero este año representa un punto de quiebre, ya que Demis Hassabis y John M. Jumper, de Google DeepMind, han logrado resolver por medio de un modelo de inteligencia artificial (IA) este problema. A la par, las investigaciones de David Baker, de la Universidad de Washington, para desarrollar nuevas proteínas también contribuyeron.

Ambos trabajos se centraron en entender las herramientas químicas de la vida, las proteínas, y por tanto fueron reconocidos con el premio Nobel de Química 2024.

Para Rogelio Rodríguez Sotres, de la Facultad de Química de la UNAM, las dos propuestas representan un recurso imprescindible que ayudará a tener un mejor conocimiento de las proteínas, mismo que podría servir en un futuro en diversos campos (medicina, agricultura o ambiente).

“Históricamente, teníamos un problema al descifrar las propiedades de las proteínas. Cada una tiene 20 aminoácidos diferentes que pueden combinarse de infinitas maneras; incluso sabemos que son más que las estrellas que hay en el universo. Entonces, entender cómo cada secuencia adopta una forma tridimensional propia de cada proteína resulta un reto muy complejo”, acotó.

“Christian Anfinsen, científico estadunidense y premio Nobel de Química 1972, demostró que la secuencia de aminoácidos determina la forma tridimensional final. Pero para conocer esa forma experimentalmente se requieren años de investigación y un costo económico importante”, comentó el experto de la Facultad de Química.

Durante mucho tiempo los científicos obtenían los modelos tridimensionales de las proteínas mediante cristalografía de rayos X, técnica –a decir de Rodríguez Sotres– costosa y un tanto laboriosa.

Aunque con ése y otros métodos relacionados se han resuelto unas 220 mil estructuras de las proteínas, la información genómica nos ha proporcionado 200 millones de secuencias de aminoácidos (la brecha es enorme). Gracias al trabajo de Demis Hassabis y John M. Jumper ahora tenemos predicciones –aunque no todas son correctas– para los 200 millones de proteínas, incluyendo todas las del humano, el ratón, el chimpancé, el maíz, el cuitlacoche, muchas bacterias, y el SARS-CoV-2, entre otras. Aún hay trabajo pendiente.

AlphaFold2, la herramienta

Para saber cómo predecir la estructura de las proteínas, se creó el proyecto CASP en 1994. Cada dos años investigadores de todo el mundo se reunían para tratar de comprender y predecir las estructuras de diversas proteínas, pero el avance era lento, y luego de 18 años apenas alcanzó el 40 % y las predicciones eran imprecisas.

Hassabis tomó como referencia esos estudios y mediante un algoritmo de IA llamado Alpha, que era usado para juegos como Go y Ajedrez, lo adaptó para “jugar a plegar” proteínas. AlphaFold le ganó al CASP con un 60 % de éxito, pero sólo en una categoría del concurso; en las otras Yang Zhang y David Baker seguían siendo líderes.

Dos años más tarde, Jumper reformó el algoritmo (AlphaFold2), cuyo éxito superó todas las expectativas y a todos los concursantes, dejando a David Baker en segundo lugar, a pesar de que este último ya había incorporado IA en sus métodos.

“Esta nueva herramienta conjuntó varios conocimientos sobre las secuencias de aminoácidos en las proteínas, tomando en cuenta que proteínas con la misma función tienen formas semejantes. Por ejemplo, la que sirve para hacer el pelo humano es similar en forma a la de la rata o los chimpancés, pero la secuencia de aminoácidos es distinta. Entonces, ellos crearon un programa que nos permite analizar esas diferencias, y a la vez reconstruir la manera como la proteína se dobla y adquiere su forma”, dijo el especialista.

¿Cómo se estructuran?

Del trabajo de Baker, Rogelio Rodríguez sostuvo que al desarrollar un algoritmo que explicaba cómo crear proteínas ayudó a resolver el misterio de cómo se estructuran desde una percepción distinta.

“Diseñó un algoritmo que resuelve el problema al revés. Partió de la forma de una proteína y quiso entender qué orden de aminoácidos hacía falta para obtener esa forma determinada. A partir de esta idea, creó un programa capaz de predecir secuencias que se plegaban como uno deseaba. Así, también desarrolló estructuras tridimensionales de proteínas artificiales, y esto ayudó a comprender qué pliegues pueden hacer proteínas con distintas formas y propiedades”, explicó.

Beneficios para la humanidad

Ambos trabajos han significado una grata sorpresa para el experto de la Facultad de Química, ya que más allá de ser una importante guía en el estudio de las proteínas, este conocimiento tendrá impacto en distintas áreas como “medicina, química, ecología y evolución, y salud de los ecosistemas”.