Los científicos utilizan inteligencia artificial para crear nuevas proteínas revolucionarias
Es fácil maravillarse con la magia técnica que hay detrás.
Avances como AlphaFold . Pero gran parte de este éxito se debe a una base de datos de estructuras de proteínas ideada en la década de 1960 por Helen Berman, cristalógrafa de la Universidad del Sur de California en Los Ángeles, y científicos con ideas afines.
El Banco de Datos de Proteínas (PDB) contiene ahora las estructuras de más de 200.000 proteínas, disponibles gratuitamente para cualquier persona. Estos datos ayudan a AlphaFold
Predecir la estructura de las proteínas a partir de sus secuencias. Otros dispositivos de inteligencia artificial pueden imaginar nuevas proteínas con solo presionar un botón.
Berman dice
naturaleza Por qué está contenta con el reconocimiento (los premios Nobel de química David Becker, de la Universidad de Washington en Seattle, y John Jumper, de Google DeepMind en Londres, dieron crédito al PDB) y cómo otros campos científicos pueden allanar el camino para avances en IA con buenos datos. .
¿Cómo compartían los científicos las estructuras de las proteínas antes del PDB?
El PDB Bank nació cuando inicialmente sólo existían unas pocas estructuras. Se compartían mediante tarjetas perforadas (donde cada átomo tenía su propia tarjeta perforada) o cinta magnética. El investigador individual tendría que enviar estos artículos a través del océano si fueran de Inglaterra a Estados Unidos.
¿Qué llevó a la creación del PDB?
Yo era estudiante de cristalografía en la década de 1960 y las estructuras de las proteínas apenas comenzaban a emerger. No era un especialista en cristales de proteínas, pero me sorprendió lo importantes que eran estas estructuras.
Trabajé con algunos otros jóvenes que también estaban interesados en la estructura. Un pequeño grupo de nosotros comenzamos a comunicarnos sobre cómo acceder al Banco de datos de proteínas. No sé si lo llamamos así, pero eso es lo que queríamos: un lugar donde pudieran estar todas estas estructuras.
¿Hacer que estos datos sean abiertos es un principio básico?
Al comienzo de PDB, el objetivo era obtener las coordenadas de la estructura de la proteína y asegurarnos de no perderlas. En la década de 1980, comenzó un movimiento que decía que estas estructuras eran esenciales para la salud pública. Es la clave de la buena ciencia. Tuvo que incluirse en el AP, porque en aquel momento no existía ningún requisito. Requiere cierto estímulo por parte de las agencias de financiación. A las revistas les llevó algún tiempo aceptar la idea de exigir que los datos estuvieran en una PDB. Ahora no puedes publicar la compilación sin que esté en el PDB.
¿Crees que podríamos haber tenido Alpha Fold sin PDB?
Sabiendo lo que creo saber sobre cómo funciona AlphaFold, habría sido muy difícil. Hay dos cosas importantes acerca de los datos de PDB: han sido verificados y validados por curadores expertos. La otra cosa es que los datos son completamente legibles por máquina.
¿Cómo ha sido observar esta revolución en la IA biológica, con herramientas como AlphaFold, RoseTTAFold y software de diseño de proteínas? Todos están capacitados en PDB.
Para mí es emocionante. Lo que pensé en ese momento fue que podríamos comprender mejor las relaciones entre la secuencia y la estructura de las proteínas. Estoy muy contento con los resultados obtenidos con AlphaFold y con todo el trabajo que David Becker ha realizado en el diseño de proteínas.
¿Habla de la importancia de los datos experimentales para respaldar los avances de la IA en la ciencia?
Sí 100%. La gente dirá: “Oh, bueno, los datos del PDB son realmente especiales”. Pero en realidad sabemos por qué son especiales. Nos llevó mucho tiempo descubrir cómo trabajar con datos, cómo representarlos y cómo recopilarlos. Nosotros como comunidad, la comunidad del PDB, sabemos cómo hacer esto.
Creo que otras sociedades pueden y deben hacerlo. Porque de lo contrario no podremos lograr grandes avances. Metodologías que permiten predecir una proteína y diseñarla; lo mismo puede suceder en química. Puede suceder en geología. Puede suceder en física.
Esta entrevista ha sido editada para mayor extensión y claridad.
El trío de proteínas ayuda a que los espermatozoides (coloreados artificialmente) se adhieran al óvulo.Crédito: Dra. Phillips/Biblioteca de imágenes científicas
programa de plegado alfa, Que predice las estructuras de las proteínas.Identificó tres proteínas que cooperan para actuar como mediadoras entre gametos. Sin ellos, reproducción sexual El callejón sin salida puede ocurrir en una amplia gama de animales, desde el pez cebra hasta los mamíferos.
El resultado, publicado el 17 de octubre en celúlaexpone la idea anterior Son solo dos proteínas. Uno sobre el óvulo y otro sobre el espermatozoide sería suficiente para garantizar la fertilización, afirma Enrica Bianchi, bióloga reproductiva de la Universidad de Roma Tor Vergata, que no participó en el estudio. “Ya no es el viejo concepto de tener una llave y una cerradura para abrir la puerta”, dice. “Es más complicado”.
Unión misteriosa
A pesar de su papel crucial en la reproducción, la fusión de óvulos y espermatozoides en los vertebrados es un rompecabezas molecular que ha resultado difícil de resolver. La unión de las dos células involucra proteínas que se encuentran en las membranas lipídicas y que son difíciles de estudiar mediante métodos bioquímicos estándar. Las interacciones entre estas proteínas suelen ser débiles y transitorias, y es difícil recolectar suficientes óvulos y esperma de algunos de los animales de laboratorio favoritos de los investigadores, incluidos los ratones, para experimentos extensos.
Detener los espermatozoides en la fuente
Como resultado, los primeros estudios de biología reproductiva a menudo se centraron en invertebrados marinos que liberan grandes cantidades de óvulos y espermatozoides en el agua. “Si tomaras un libro de texto del estante y buscaras fertilización, leerías todo al respecto erizos de mardice Gavin Wright, bioquímico de la Universidad de York en el Reino Unido, que no participó en el estudio. “Es algo difícil de investigar”.
Para superar el problema de suministro, Andrea Pauli, bióloga molecular del Instituto de Investigación de Patología Molecular de Viena, y sus colegas comenzaron a trabajar en… pez cebraEs un vertebrado que también libera sus óvulos y espermatozoides en las aguas circundantes. Para superar las dificultades de trabajar con proteínas de membrana en el laboratorio, el equipo utilizó… Pliegue alfa Predecir interacciones entre proteínas. Dos desarrolladores de AlphaFold recibieron el Premio Nobel de Química el 9 de octubre.
No dos, sino tres
AlphaFold especuló que tres proteínas de los espermatozoides trabajan juntas para formar un complejo. Anteriormente se sabía que dos de estas proteínas eran importantes para la fertilidad. Pauli y sus colegas luego confirmaron que la tercera proteína también es importante para la fertilidad tanto en el pez cebra como en los ratones, y que las tres proteínas interactúan entre sí.
El equipo también descubrió que en el pez cebra, el triplete crea un lugar para que se una la proteína del huevo, proporcionando un mecanismo mediante el cual las dos células pueden reconocerse entre sí. “Es una forma de decir: 'Esperma, encontré un óvulo' y 'Óvulo, encontré un espermatozoide'”, dice Andreas Blaha, bioquímico del Instituto de Investigación de Patología Molecular y coautor del estudio. estudiar.
Wright dice que los hallazgos podrían algún día conducir a una forma de evaluar la infertilidad en las personas para ver si los problemas asociados con este compuesto podrían ser los culpables.
Añade que los resultados resaltan el papel de AlphaFold en el estudio de la fertilización. “Estamos limitados en términos de experimentos”, dice. “Estos estudios de modelización pueden desempeñar un papel importante en el futuro”.
Hola Naturaleza Lectores, ¿les gustaría recibir este informe en su bandeja de entrada de forma gratuita todos los días? Regístrate aquí.
David Baker, Demis Hassabis y John Jumper (de izquierda a derecha) ganaron el Nobel de química por desarrollar herramientas computacionales que pueden predecir y diseñar estructuras de proteínas.Crédito: Fundación BBVA
La mitad del Premio Nobel de Química ha sido otorgada al científico informático Demis Hassabis, cofundador de la empresa de inteligencia artificial DeepMind, propiedad de Google, y al químico teórico John Jumper, director e investigador de DeepMind. Ganaron por liderar el desarrollo de AlphaFold, una herramienta de inteligencia artificial para predecir estructuras de proteínas que han transformado rápidamente la biología. En 2021, DeepMind anunció que había utilizado AlphaFold para predecir la estructura de casi todas las proteínas producidas por los humanos, así como los 'proteomas' completos de otros 20 organismos ampliamente estudiados.
Hassabis y Jumper comparten el premio con el biofísico computacional David Baker, quien dirigió el desarrollo de otra influyente herramienta de diseño de proteínas de IA, RoseTTAFold. Baker ganó por su trabajo No solo predecir las proteínas que existen, sino también idear otras nuevas.. En 2003, el grupo de investigación de Baker creó la primera proteína con una estructura completamente nueva, llamada Top7. Su equipo ahora está utilizando herramientas como RoseTTAFold y AlphaFold para diseñar proteínas que hagan cosas útiles, como catalizar una reacción química particular, especificando los aminoácidos responsables de la función deseada y dejando que la IA imagine el resto.
Ruanda está experimentando uno de los mayores brotes del virus de Marburgo jamás documentados. Los científicos esperan contener este brote, pero advierten que Marburg está aumentando y no se ha demostrado ningún tratamiento. Los brotes del virus, un “primo” del virus del Ébola, generalmente comienzan después de que una persona se encuentra con un murciélago frugívoro infectado. Los investigadores dicen que las amenazas ambientales, como el cambio climático y la deforestación, han hizo que las personas fueran más propensas a encontrarse con animales que pueden transmitir infecciones. “El mundo realmente tiene que estar preparado para eso”, dice el médico de urgencias Adam Levine.
Un informe contundente y condenatorio sobre el estado de la crisis climática concluye que “gran parte del tejido mismo de la vida en la Tierra está en peligro”. Una selección de 35 signos vitales planetarios, como las emisiones de gases de efecto invernadero y la pérdida de hielo de la Antártida, lo cuentan: 25 de ellos han alcanzado niveles récord este año. La mayoría de los récords también se batieron el año pasado. “Es asombroso que, en un mundo donde miles de millones de personas ya están sufriendo los impactos del cambio climático, las emisiones de combustibles fósiles y las tasas de deforestación no se están desacelerando, sino que en realidad están aumentando”, dice el ecologista y coautor Thomas Crowther.
A Creciente mercado de 'fauces de pescado' (vejigas natatorias secas) en Papúa Nueva Guinea es un salvavidas para las comunidades empobrecidas. Pero la sobrepesca (particularmente con redes de enmalle, que capturan indiscriminadamente muchas especies de peces, delfines y tortugas) podría en última instancia dañar el ecosistema y dejar a la gente en una situación aún peor. “Hay muy pocos controles y creo que los departamentos de pesca gubernamentales tienen muy poco conocimiento sobre el valor, la importancia y las amenazas potenciales de esto”, dice la especialista en pesca Yvonne Sadovy. La consecuencia es “una especie de frontera de vaqueros”, donde los altos precios empujan a los pescadores a pescar especies de las que “apenas sabemos nada en términos científicos”.
Han pasado 20 años desde el lanzamiento de la empresa de turismo espacial Virgin Galactic. Los multimillonarios parecen ir al espacio con regularidad; por ejemplo, el empresario Jared Isaacman, que fue a la vez caminante espacial y pagador de facturas en un reciente Misión privada SpaceX. Pero ¿Qué pasa con el resto de nosotros?? Un par de compañías de globos a gran altitud dicen que pronto llevarán a los pasajeros que paguen en un majestuoso viaje al aire a un precio de descuento.
Teniendo en cuenta que el rover Curiosity de la NASA en Marte ha estado en el planeta rojo durante más de una década, es comprensible que muestre signos de un poco de desgaste. Aquí vemos una de sus seis ruedas, la del medio derecha, muy desgastada, después de 12 años de exploración. Pero a pesar de haber recibido una paliza en la superficie rocosa de Marte, todavía hay mucha vida en el viejo rover. Curiosity capturó esta imagen con su Mars Hand Lens Imager (MAHLI) en el extremo de uno de sus brazos robóticos, el 22 de septiembre de 2024. (Espacio.com | 3 minutos de lectura(Crédito de la imagen: NASA/JPL-Caltech/MSSS)
CITA DEL DÍA
El especialista en gestión y marketing James Muldoon cuestiona la seguridad de los compañeros de IA para usuarios solitarios y vulnerables, especialmente después de que la fundadora de la empresa detrás de Replika AI admitiera que se inspiró en un episodio de una serie de televisión distópica. Espejo negro. (La conversación | 19 minutos de lectura)
Hoy me tomaré un descanso el debate sobre si la investigación ganadora del Nobel de Física es lo suficientemente física como para visitarla el telescopio espacial James Webb en Minecraft. Finalmente, podremos jugar con un pico en el icónico espejo primario de 18 segmentos en un universo hecho completamente de cubos.
Mientras reflexiono sobre el premio de John Hopfield afirmación que “la física [is] no es tema… física [is] un punto de vista”, ¿por qué no me envías tus comentarios sobre este boletín? Sus correos electrónicos son siempre bienvenidos en informació[email protected].
• Informe sobre la naturaleza: microbiología — las entidades vivientes más abundantes de nuestro planeta —los microorganismos— y el papel que desempeñan en la salud, el medio ambiente y los sistemas alimentarios.
David Becker, Demis Hassabis y John Gumper (de izquierda a derecha) ganaron el Premio Nobel de Química por desarrollar herramientas computacionales que pueden predecir y diseñar estructuras de proteínas.Crédito: Fundación BBVA
Por primera vez, y quizás no la última, un avance científico posible gracias a la inteligencia artificial ha sido reconocido con el Premio Nobel. El Premio Nobel de Química 2024 fue otorgado a John Gamper y Demis Hassabis de Google DeepMind en Londres, por desarrollar un sistema revolucionario. Una herramienta de inteligencia artificial para predecir estructuras de proteínas se llama AlphaFoldy David Becker, de la Universidad de Washington en Seattle, por su trabajo en diseño computacional de proteínas, que se completó Al lo ha reforzado en los últimos años.
“Espero que cuando miremos a AlphaFold, sea la primera prueba del asombroso potencial de la inteligencia artificial para acelerar los descubrimientos científicos”, dijo Hassabis en una conferencia de prensa en DeepMind el 9 de octubre. “Es irreal en este momento”.
¿Qué sigue para AlphaFold y la revolución del plegado de proteínas con IA?
El efecto AlphaFold que fue Fue revelado hace sólo unos años.Fue nada menos que transformador. Esta herramienta ha puesto a disposición de los investigadores estructuras de proteínas (a menudo, pero no siempre, extremadamente precisas) con solo tocar un botón, y ha permitido experimentos que habrían sido inimaginables hace una década. “Es una gran revolución”, dice Christine Orengo, bióloga computacional del University College de Londres, cuyo laboratorio ha utilizado estructuras predichas por AlphaFold para revelar nuevas proteínas.
“Ha sido un sueño desde hace mucho tiempo que aprendamos a predecir la estructura tridimensional de las proteínas conociendo sus secuencias de aminoácidos”, dijo Heiner Linke, jefe del Comité Nobel, que investiga la nanociencia en la Universidad de Lund en Suecia. Durante varias décadas, esto se consideró imposible”. Durante el anuncio del premio. Añadió que los ganadores de este año “lograron descifrar el código”. Los tres ganadores comparten un premio acumulado de 11 millones de coronas suecas (1 millón de dólares).
Inteligencia artificial premiada
DeepMind lanzó AlphaFold por primera vez en 2018, cuando ganó un concurso de predicción de la estructura de proteínas llamado Evaluación crítica de la predicción de la estructura de proteínas (CASP). Pero fue la segunda iteración de la red neuronal de aprendizaje profundo, Fue presentado a finales de 2020.Esto realmente ha revolucionado las ciencias de la vida. Muchas de las predicciones de AlphaFold2 en CASP fueron tan precisas que no se podían distinguir de las estructuras proteicas resueltas experimentalmente.
Hassabis, cofundador y director ejecutivo de DeepMind, y Jumper, jefe del equipo AlphaFold, lideraron el desarrollo de AlphaFold2. Para predecir las estructuras de las proteínas, una red neuronal combina datos de bibliotecas de cientos de miles de estructuras y millones de secuencias de proteínas relacionadas, que contienen información sobre sus formas.
Cómo ganar un Premio Nobel: ¿Qué tipo de científicos ganan medallas?
En particular, el éxito de AlphaFold se debe en gran parte al Protein Data Bank, un depósito de acceso gratuito de más de 200.000 estructuras de proteínas determinadas mediante métodos que incluyen cristalografía de rayos X y microscopía crioelectrónica. “Es una lección de humildad cada vez que entrenamos [AlphaFold] A lo largo de años de esfuerzo. “Cada punto de datos son años de esfuerzo por parte de alguien”, dijo Jumper en la conferencia de prensa de DeepMind.
La revolución lanzada por Jumper, Hassabis y sus colegas aún está en sus inicios, y es posible que no se conozca el impacto total de AlphaFold en la ciencia hasta dentro de años. De hecho, esta herramienta ayuda a los científicos a obtener nuevos conocimientos.
Un equipo pionero utilizó esta herramienta, combinada con datos experimentales, para dibujar un mapa. Complejo de poros nuclearesuna de las máquinas más grandes de nuestras células que mueve moléculas dentro y fuera del núcleo. El año pasado, dos equipos exploraron toda la base de datos AlphaFold para descubrir los rincones más oscuros del mundo de las proteínas, identificando nuevas familias de proteínas y pliegues y conexiones sorprendentes en la maquinaria de la vida.
“Todo el mundo de las proteínas”: la IA predice la forma de casi todas las proteínas conocidas
Muchos investigadores esperan que AlphaFold y otras herramientas de inteligencia artificial que inspiró transformen la medicina, pero ese ya es el caso. no esta claro aun Cómo, o si, AlphaFold simplificará el costoso proceso de varios pasos para desarrollar medicamentos seguros. Los científicos que sientan las bases para nuevas vacunas encuentran que AlphaFold es increíblemente útil Y en algunos casos, un cambio de juego. Pero AlphaFold complementa los estudios experimentales y otros enfoques para mapear y modificar la estructura de proteínas virales para su uso en vacunas.
Para la mayoría de los investigadores, la estructura predicha es el comienzo de un estudio, no el final, dice Jan Kosinski, modelador estructural del Laboratorio Europeo de Biología Molecular (EMBL) en Hamburgo, Alemania. “Al principio se temía que sustituyera a la biología estructural, que la gente perdiera su empleo, etc. De hecho, ocurrió todo lo contrario”, añade.
Uno de los mayores impactos de la herramienta ha sido un cambio en la mentalidad de los biólogos, “que dicen que las computadoras son cosas que pueden producir hipótesis útiles”, dice David Jones, bioinformático de la University College London que colaboró con DeepMind en la primera versión de AlphaFold a partir de en 2016. Que se puede probar en el laboratorio.
Creando nuevas proteínas
Más de dos décadas antes de que DeepMind comenzara a trabajar en AlphaFold, el biofísico computacional David Becker y sus colegas desarrollaron una herramienta de software llamada Rosetta que modelaba estructuras de proteínas utilizando principios físicos. La herramienta compara pequeñas partes de múltiples estructuras y secuencias de proteínas existentes para determinar qué secuencias de proteínas pueden plegarse en una conformación específica.
Inicialmente, Rosetta se aplicó para predecir estructuras de proteínas y estuvo entre las principales entradas en muchos CASP, antes de que AlphaFold dominara. Pero Becker pronto se dio cuenta de que se podía invertir el paradigma para diseñar proteínas completamente nuevas.
Las herramientas de IA están diseñando proteínas completamente nuevas que podrían transformar la medicina
La herramienta tuvo un éxito temprano Diseñar nuevas proteínasincluidos nuevos tipos de enzimas, proteínas que pueden unirse estrechamente a otras moléculas y nanopartículas de proteínas autoensambladas que se asemejan a los virus (una de las cuales sirvió de base para una vacuna COVID-19 aprobada).
Cuando se anunció AlphaFold2, pero aún no se lanzó, Baker y su equipo, incluido el químico computacional Minkyung Baek, ahora en la Universidad Nacional de Seúl en Corea del Sur, se propusieron comprender el programa y aplicar algunos de sus trucos a una versión anterior basada en IA. del software. Rashid. El rendimiento de la primera versión de la red RoseTTAFold resultante fue casi idéntico al de AlphaFold2. Desde 2021, sus desarrolladores y otros científicos han mejorado continuamente ambas redes para afrontar nuevos desafíos, como predecir la estructura de complejos de múltiples y diferentes proteínas que interactúan.
En los últimos años, el equipo de Becker ha sido particularmente prolífico en la aplicación del aprendizaje automático a la razón de ser de su laboratorio: Creando nuevas proteínas nunca antes vistas en la naturaleza. La herramienta desarrollada recientemente por el equipo de Baker, que combina RoseTTAFold con redes neuronales omnipresentes generadoras de imágenes, ha supuesto un cambio radical en la capacidad de los investigadores para diseñar proteínas.
Avance rápido
Estas herramientas fueron un tremendo acelerador y democratizador, dice Sergei Ovchinnikov, biólogo evolutivo del Instituto Tecnológico de Massachusetts en Cambridge, que hizo su doctorado en el laboratorio de Becker. Rosetta solía tardar semanas en ejecutarse en cientos de procesadores para llegar a un diseño de proteína, una tarea que las herramientas más nuevas basadas en inteligencia artificial pueden realizar en segundos. “Ahora todo el mundo puede diseñar una proteína”, afirma.
“Me siento profundamente inspirado por otros en este campo y por la gente con la que he trabajado”, dijo Becker, hablando por teléfono durante el anuncio del Premio Nobel. “Me he subido a hombros de gigantes”.
Premio Nobel de Medicina por “microARN” que regula genes
Martin Steiniger, biólogo computacional de la Universidad Nacional de Seúl en Corea del Sur, compara el impacto de AlphaFold, RoseTTAFold y otras herramientas de inteligencia artificial biológica con el de las misiones Apolo a la Luna, al mostrar lo que la ingeniería puede lograr. “Es un momento similar para la predicción de estructuras y el campo de la biología estructural, donde simplemente se ve lo que es posible”, dice.
Pocos se sorprendieron por la decisión del Comité Nobel. En cuanto a Baker, Jones dice: “La mayoría de la gente pensó que tenía que ver con la cantidad de trabajo que había realizado en esta área”. Gamper, que sabía que él y Hassabis estaban en las listas de muchas personas, dijo en la rueda de prensa que no había podido dormir la noche anterior al anuncio de hoy.
Para Jumper, las estructuras predecibles que ofrece AlphaFold crean nuevas oportunidades para el descubrimiento científico. Millones de científicos ya han utilizado estas herramientas y espera que no pase mucho tiempo antes de que alguien reciba una llamada de Suecia. “El momento en que sentiré la misma emoción será el Premio Nobel por el trabajo realizado con AlphaFold”, dijo.
Bienvenido naturaleza Lectores, ¿les gustaría recibir este informe en su bandeja de entrada de forma gratuita todos los días? Regístrate aquí.
Copyright: Spyros Lytras y Joe Groff
Las estructuras de las proteínas predichas por modelos de inteligencia artificial han revelado algunas fluctuaciones en la evolución de los flavivirus, el grupo que incluye el virus de la hepatitis C, el dengue y el virus del Zika. Los investigadores utilizaron DeepMind Pliegue alfa 2 Y el programa ESMFold de Meta para generar más de 33.000 estructuras predichas Los investigadores han podido detectar proteínas de 458 especies de flavivirus. Ya han descubierto algunas sorpresas. Por ejemplo, el virus de la hepatitis C infecta las células mediante un sistema de entrada similar al que se encuentra en los virus de la pestis, un grupo que incluye patógenos animales como la peste porcina. Otra gran sorpresa fue el descubrimiento de que algunos flavivirus contienen una enzima que parece haber sido robada de una bacteria.
Altas temperaturas y fuertes lluvias Convertir a Europa en un caldo de cultivo para enfermedades transmitidas por mosquitosLos investigadores han advertido que este año ha habido 715 casos de transmisión local del virus del Nilo Occidental en 15 países europeos. El cambio climático está creando condiciones cómodas para el virus del Nilo Occidental. reinetas culex y Aedes albopictus Esto ha llevado a que los mosquitos se reproduzcan en lugares donde antes no podrían haber prosperado, ampliando su alcance y el período de transmisión de las enfermedades que transmiten. “Nos enfrentamos al problema de que nuevos lugares pueden convertirse en focos de transmisión de enfermedades que antes no estaban preparados para ello”, afirma la epidemióloga genética Houria Tejali.
Los investigadores realizaron 26 exploraciones por resonancia magnética del cerebro de una mujer durante su primer embarazo para trazar un esquema sin precedentes de cómo estaba cambiando su cerebro. A la mujer de 38 años, que concibió mediante FIV, se le realizaron pruebas y muestras de sangre desde antes del embarazo hasta dos años después del nacimiento de su hijo. Mostrar datos Disminución generalizada de la materia gris y un aumento temporal de la materia blanca hacia el final del segundo trimestre.“El cerebro materno sufre este cambio regulado durante el embarazo y finalmente podemos monitorear el proceso en tiempo real”, dice la neurocientífica y coautora del estudio Emily Jacobs.
Hay un número cada vez mayor de esfuerzos industriales y académicos que se están realizando Construya modelos de IA capaces de extrapolar principios biológicos básicos basados en proteínas, ARN, ADN o incluso datos de imágenes celulares.Estos principios se utilizan luego para guiar diversas tareas analíticas o de diseño. Muchos de estos modelos se describen como “modelos básicos”, un término que describe ampliamente sistemas que funcionan bien en una variedad de problemas diferentes a través de un proceso de “entrenamiento previo” en conjuntos de datos masivos y sin etiquetar. Esto contrasta con la mayoría de los algoritmos de aprendizaje profundo y automático en biología, que tienden a centrarse en tareas muy específicas.
La naturaleza universal de la ciencia, con su lenguaje y sus métodos supuestamente neutrales, proporciona un terreno común para la comunicación entre las personas y, por lo tanto, puede ayudar a construir relaciones pacíficas entre las naciones. Al menos, ese es un argumento que se esgrime a menudo, y los historiadores de la ciencia Roberto Lalli y Jaume Navarro lo analizan en un artículo para naturaleza. Están explorando muchos Las formas en que los físicos, tanto individual como colectivamente, han abordado las tensiones geopolíticas a lo largo del siglo XX¿Y qué pueden aprender de esto los académicos en general cuando analizan las respuestas, por ejemplo, a la guerra en curso en Ucrania?
En su nuevo libro, Tierra quemada: una breve historiaSunil Amrith narra Las batallas de los pobres y débiles contra quienes buscan lucrar con los recursos naturales del planeta A lo largo de la historia. Como testimonio de perseverancia, Amrith relata las rebeliones ambientalistas de los últimos seiscientos años “brillantemente, en su exploración épica de la innovación y la destrucción humana”, como escribe Josie Glaucius, mientras nos lleva a los movimientos que aún hoy luchan por el futuro de la Tierra. .
Hoy intento descifrar Hounds and Jackals, uno de los juegos de mesa más antiguos que se conocen. Se pensaba que su origen se remontaba al antiguo Egipto, pero los arqueólogos acaban de descubrirlo. Encontré un cuadro en Azerbaiyán. – sugiriendo que tiene raíces más antiguas en Asia.
Cuéntanos a qué estás jugando, así como cualquier otro comentario en este boletín, en informació[email protected].
• Nature Digest: Microbiología – Los organismos más abundantes en nuestro planeta -los microorganismos- y el papel que desempeñan en la salud, el medio ambiente y los sistemas alimentarios.
An AlphaFold3 model of a bacterial enzyme bound to a chemical.Credit: Isomorphic Labs
Since the powerhouse artificial intelligence (AI) tool AlphaFold2 was released in 2021, scientists have used the protein-structure-prediction model to map one of our cells’ biggest machines, discover drugs and chart the universe of every known protein.
Despite such successes, John Jumper — who leads AlphaFold’s development at Google DeepMind in London — is regularly asked whether the tool can do more. Requests include the ability to predict the shape of proteins that contain function-altering modifications, or their structure alongside those of DNA, RNA and other cellular players that are crucial to a protein’s duties. “I would say ‘no, you can’t put that into AlphaFold’,” Jumper says. “I would rather solve their problems.”
What’s next for AlphaFold and the AI protein-folding revolution
The latest version of AlphaFold, described on 8 May in Nature1, aims to do just that — by giving scientists the ability to predict the structures of proteins during interactions with other molecules. But whereas DeepMind made the 2021 version of the tool freely available to researchers without restriction, AlphaFold3 is limited to non-commercial use through a DeepMind website.
Frank Uhlmann, a biochemist at the Francis Crick Institute in London who gained early access to AlphaFold3, has been impressed with its capabilities. “This is just revolutionary,” he says. “It’s going to democratize structural-biology research.”
Another revolution
“Revolutionary” is how many scientists have described the impact of AlphaFold2 on biology since it was unleashed2 (the first version3, released in 2020, was good, but not game-changing, Jumper has said). The AI predicts a protein’s structures from its amino-acid sequence, often with startling accuracy that is on par with that of experimental methods.
A freely available AlphaFold database holds the predicted structure of nearly every known protein. The availability of the AlphaFold2 code has also allowed other researchers to easily build on it: an early hack enabled the prediction of interactions between multiple proteins, a capability included in an update to AlphaFold2.
Jumper’s ennui over explaining AlphaFold’s inability to predict other aspects of a protein’s ecosystem stems from their importance: protein modifications, such as the addition of a phosphate molecule, can allow cells to respond to external cues, an infection, for instance, and set off a chain of events in response. Interactions with DNA, RNA and other chemicals are essential to many proteins’ duties.
Real-world examples of these interactions are readily available in the Protein Data Bank (PDB), a repository of experimentally determined structures that is the foundation of AlphaFold’s capabilities. An ideal tool would be able to predict structures of a protein alongside its accessories, says Jumper. “We want to solve the whole PDB.”
Major upgrade
To create AlphaFold3, Jumper, DeepMind chief executive Demis Hassabis and their colleagues made large changes to its predecessor: the latest version depends less on information about proteins related to a target sequence, for instance. AlphaFold3 also uses a type of machine-learning network — called a diffusion model — that is used by image-generating AIs such as Midjourney. “It’s a pretty substantial change,” says Jumper.
AlphaFold’s new rival? Meta AI predicts shape of 600 million proteins
AlphaFold3, the researchers found, substantially outperforms existing software tools at predicting the structure of proteins and their partners. For instance, scientists — especially those interested in finding new drugs — have conventionally used ‘docking’ software to physically model how well chemicals bind to proteins (usually with help from the proteins’ experimentally determined structures). AlphaFold3 proved superior to two docking programs, as well as to another AI-based tool called RoseTTAFold All-Atom4.
Uhlmann’s team has used AlphaFold3 to predict the structure of DNA-interacting proteins involved in copying the genome, a step that is essential to cell division. Experiments in which proteins are mutated to alter such interactions suggest that the predictions were usually spot on, Uhlmann says. “It’s an amazing discovery tool,” he adds.
“The structure-prediction performance of AlphaFold3 is very impressive,” says David Baker, a computational biophysicist at the University of Washington in Seattle. It’s better than RoseTTAFold All-Atom, which his team developed4, he adds.
Restricted access
Unlike RoseTTAFold and AlphaFold2, scientists will not be able to run their own version of AlphaFold3, nor will the code underlying AlphaFold3 or other information obtained after training the model be made public. Instead, researchers will have access to an ‘AlphaFold3 server’, on which they can input their protein sequence of choice, alongside a selection of accessory molecules.
How AlphaFold can realize AI’s full potential in structural biology
Uhlmann likes what he has so far seen of the server, which he says is simpler and quicker than the version of AlphaFold2 that he has access to at his institute. “You upload it and 10 minutes later, you’ve got the structures,” he says. For most scientists, “the server is really going to smash it. Everybody can do it.”
Access to the AlphaFold3 server, however, is limited. Scientists are currently restricted to 10 predictions a day, and it is not possible to obtain structures of proteins bound to possible drugs.
Isomorphic Labs, a DeepMind spin-off company in London, is using AlphaFold3 to develop drugs, both through its own pipeline and with other pharmaceutical companies. “We have to strike a balance between making sure that this is accessible and has the impact in the scientific community as well as not compromising Isomorphic’s ability to pursue commercial drug discovery,” says Pushmeet Kohli, DeepMind’s head of AI science and a study co-author.
Because of the restriction on modelling protein interactions with possible drugs, “I can’t see it having the impact AlphaFold2 had”, says Brian Shoichet, a pharmaceutical chemist at the University of California, San Francisco, who has been using AlphaFold structures to hunt for therapeutic candidates.
Sergey Ovchinnikov, an evolutionary biologist at the Massachusetts Institute of Technology in Cambridge, had hoped to develop a web version of AlphaFold3, as he and his colleagues have done for AlphaFold2 shortly after its code was released. But based on the ample information provided in the latest Nature paper, it shouldn’t take long for other teams to create their own versions, he says. “I would expect open-source solutions before the end of the year.”