DeepMind, la empresa subsidiaria de Google conocida por haber escrito AlphaGo, el programa que fue capaz de ganar al go al campeón mundial de este juego, acaba de publicar junto con el Laboratorio Europeo de Biología Molecular (EMBL) una enorme base de datos creada mediante el programa AlphaFold que predice la estructura del 98% las proteínas humanas, la AlphaFold Protein Structure Database. Y de las proteínas de 20 organismos biológicamente significativos como E. coli, la mosca de la fruta, el ratón, el pez cebra, el parásito de la malaria y las bacterias de la tuberculosis.
Esto, que suena un poco a chino, es un paso importantísimo, ya que el funcionamiento de las proteínas depende su estructura 3D. Y conocerla es de gran interés para el estudio del funcionamiento de nuestro organismo, de algunas enfermedades, y para el desarrollo de posibles tratamientos y fármacos.
Porque las proteínas cumplen multitud de tareas en todos los organismos. Citando a Juan Ignacio Pérez,
Además de ser las responsables de que se contraigan los músculos y, de esa forma, trabajen, las proteínas cumplen un buen número de cometidos de gran importancia. Catalizan casi todas las reacciones químicas que tienen lugar en los organismos. Llevan oxígeno de los órganos respiratorios a los tejidos. Transportan (o ayudan a hacerlo) sustancias del exterior al interior de las células. Configuran arquitecturas celulares internas que cumplen funciones variadas. Reciben señales del exterior de la célula y transfieren la información al interior. Y muchas otras tareas.
Para conocer su estructura se usan técnicas como por ejemplo la cristalografía de rayos X o la criomicroscopía electrónica. Pero es un proceso la mar de complicado y costoso en tiempo y recursos.
AlphaFold lo que hace es aplicar técnicas de inteligencia artificial para predecir la forma de la estructura 3D de una proteína a partir de la secuencia de aminoácidos que la forman. Y a la vista de la comparación de sus predicciones con mediciones hechas en el MundoReal™ usando las técnicas citadas lo hace bastante bien.
Pero es importante tener en cuenta que aunque sus predicciones tienen una precisión bastante razonable en algunos ejemplos puede que no sea suficiente: basta con que la posición de la predicción y la estructura real difieran en más de 0,3 ángstrom –un ángstrom es la diezmilmillonésima parte del metro: 0,0000000001 metros– como para que sus propiedades cambien. Y AlphaFold tiene una media de error de 1,6 ángstrom.
De hecho aunque la base de datos contiene predicciones de la estructura del 98% de las proteínas humanas se estima que sólo el 38% tiene una probabilidad muy alta de que la predicción sea correcta.
Hay explicaciones más detalladas acerca de la importante diferencia entre los modelos y el MundoReal™ en No, DeepMind has not solved protein folding y AlphaFold2 @ CASP14: «It feels like one’s child has left home.»
Pero en cualquier caso, como decía más arriba, las predicciones de AlphaFold son un avance importantísimo, ya que evitarán hacer muchas pruebas a ciegas y ayudarán a apuntar en la dirección adecuada el estudio de proteínas y el diseño de posibles tratamientos.
¡Cencia, bitches!
Relacionado,
- El evento del siglo en go: humanos vs. máquinas; AlphaGo 4, Lee Sedol 1
- AlphaGo, el documental
- La inteligencia artificial que ha vencido 100-0 a AlphaGo Master, que ya venció al mejor humano al Go
- The Road to Conscious Machines, una magnífica introducción a lo que de verdad es la inteligencia artificial
- Una posible cronología de la inteligencia artificial
- ¿Y si la inteligencia artificial llega a superar a la humana?
