El segundo método optimizó los puntajes a través de descenso de gradiente—Una técnica matemática comúnmente utilizada en el aprendizaje automático para realizar pequeñas mejoras incrementales— que dio como resultado estructuras altamente precisas. Esta técnica se aplicó a cadenas proteicas completas en lugar de a piezas que deben plegarse por separado antes de ensamblarse en una estructura más grande, para simplificar el proceso de predicción.
El codigo esta disponible en Github para cualquier persona interesada en aprender más o replicar nuestros resultados de plegamiento de proteínas.
¿Qué ocurre después?
Si bien estamos encantados con el éxito de nuestro modelo de plegamiento de proteínas, todavía hay mucho por hacer en el ámbito de la biología de proteínas, y estamos entusiasmados de continuar nuestros esfuerzos en este campo. Estamos comprometidos a establecer formas en que la IA pueda contribuir al descubrimiento científico básico, con la esperanza de tener un impacto en el mundo real. Este enfoque podría servir para mejorar nuestra comprensión del cuerpo y cómo funciona, permitiendo a los científicos enfocarse y diseñar curas nuevas y efectivas para las enfermedades de manera más eficiente. Los científicos solo han mapeado estructuras para aproximadamente la mitad de todas las proteínas producidas por las células humanas. Algunas enfermedades raras implican mutaciones en un solo gen, lo que resulta en una proteína malformada que puede tener profundos efectos en la salud de un organismo completo. Una herramienta como AlphaFold podría ayudar a los investigadores de enfermedades raras a predecir la forma de una proteína de interés de forma rápida y económica. A medida que los científicos adquieren más conocimiento sobre las formas de las proteínas y cómo operan a través de simulaciones y modelos, este método eventualmente puede ayudarnos a contribuir al descubrimiento eficiente de medicamentos, al tiempo que reduce los costos asociados con la experimentación. Nuestra esperanza es que la IA sea útil para la investigación de enfermedades y, en última instancia, mejore la calidad de vida de millones de pacientes en todo el mundo.
Pero los beneficios potenciales no se limitan solo a la salud: comprender el plegamiento de proteínas ayudará en el diseño de proteínas, lo que podría desbloquear un tremendo cantidad de beneficios. Por ejemplo, los avances en enzimas biodegradables, que pueden habilitarse mediante el diseño de proteínas, podrían ayudar a controlar los contaminantes como el plástico y el aceite, ayudándonos a descomponer los desechos de una manera más amigable con nuestro medio ambiente. De hecho, los investigadores ya han comenzado bacterias de ingeniería para secretar proteínas que harán que los desechos sean biodegradables y más fáciles de procesar.
El éxito de nuestra primera incursión en el plegamiento de proteínas es indicativo de cómo los sistemas de aprendizaje automático pueden integrar diversas fuentes de información para ayudar a los científicos a encontrar soluciones creativas a problemas complejos a gran velocidad. Así como hemos visto cómo la IA puede ayudar a las personas a dominar juegos complejos a través de sistemas como AlphaGo y AlphaZero, de manera similar, esperamos que algún día, los avances de la IA nos ayuden a servir como una plataforma para avanzar en nuestra comprensión de los problemas científicos fundamentales también.
Es emocionante ver estos primeros signos de progreso en el plegamiento de proteínas, lo que demuestra la utilidad de la IA para el descubrimiento científico. Aunque hay mucho más trabajo por hacer antes de que podamos tener un impacto cuantificable en el tratamiento de enfermedades, el manejo de desechos y más, sabemos que el potencial es enorme. Con un equipo dedicado centrados en profundizar en cómo el aprendizaje automático puede avanzar en el mundo de la ciencia, esperamos ver las muchas formas en que nuestra tecnología puede marcar la diferencia.
Escucha nuestra Podcast con los investigadores detrás de este trabajo.
Esta publicación de blog se basa en el siguiente trabajo:
AlphaFold: predicción mejorada de la estructura de la proteína utilizando potenciales del aprendizaje profundo (Naturaleza)
Predicción de la estructura de proteínas utilizando múltiples redes neuronales profundas en CASP13 (PROTEÍNAS)
Juega con el modelo tú mismo: mira nuestro Repo de Github
Este trabajo se realizó en colaboración con Andrew Senior, Richard Evans, John Jumper, James Kirkpatrick, Laurent Sifre, Tim Green, Chongli Qin, Augustin Žídek, Sandy Nelson, Alex Bridgland, Hugo Penedones, Stig Petersen, Karen Simonyan, Steve Crossan, Pushmeet Kohli, David Jones, David Silver, Koray Kavukcuoglu y Demis Hassabis
Fuente: https://deepmind.com/blog/article/AlphaFold-Using-AI-for-scientific-discovery
