Si hay un problema capaz de enamorar a especialistas en biología, física, matemáticas, informática, química y hasta en medicina, es el de cómo se pliegan las proteínas: cómo adquieren su estructura tridimensional, su forma. Resolver el reto ayudará a entender un sinfín de procesos biológicos y acelerará la obtención de nuevos fármacos, entre otros codiciados beneficios. Ahora, el programa de aprendizaje automático AlphaFold, de la compañía de Google DeepMind, acaba de sacudir los cimientos de amplios sectores de la ciencia al dar soluciones al problema mucho mejores de lo logrado en cinco décadas de intentos.
Conocer la estructura de las proteínas, su forma, es importante. Las proteínas son las nanomáquinas del organismo y trabajan encajando unas en otras, como en un microscópico Tetris tridimensional. Si se sabe la forma de las proteínas es más fácil entender su función, y también cómo bloquearlas con fármacos en caso necesario.
Pero determinar la estructura de las proteínas es muy trabajoso; habitualmente implica cristalizarlas y analizar con rayos X la disposición de sus átomos. En cambio hoy es relativamente sencillo hallar la secuencia lineal de las piezas químicas que componen la proteína, los aminoácidos, y por eso el sueño de los biólogos es aprender a traducir la secuencia lineal en estructura tridimensional.
También te puede interesar: Investigadores BUAP proponen reutilizar el suero de leche en procesos alimenticios
Viene a ser como predecir la forma final de una joya conociendo solo las gemas que la componen y el orden en que van colocadas.
No es tarea fácil. En teoría cada secuencia de aminoácidos puede dar lugar a un número innombrablemente alto de estructuras; en la práctica, sin embargo, cada secuencia se pliega de una única manera, y muy rápido. ¿Cómo lo hace?
“La información para el plegamiento está en la secuencia, eso lo sabemos; una proteína que ha perdido su estructura, en las condiciones adecuadas vuelve a plegarse bien”, explica a SINC Alfonso Valencia, director de Ciencias de la Vida del Centro de Supercomputación de Barcelona, interesado en este problema casi desde el inicio de su carrera. “¿Qué leyes físicas rigen el proceso? Lo que queremos es entenderlas porque así tendríamos una fórmula, la aplicaríamos, y ya; pero no lo hemos conseguido”.
En los años 80 y 90 los ordenadores entraron a escena, logrando avances modestos. Para estimular el área, en 1994 el biólogo computacional John Moult, de la Universidad de Maryland (EE UU), creó CASP (siglas en inglés de Evaluación Crítica de Predicción de Estructuras), un concurso bienal en el que grupos de todo el mundo ponen a prueba sus programas de predicción de estructuras. El reto consiste en que, en cada edición, las y los cristalógrafos anuncian, pero no publican, las estructuras que van resolviendo, y mientras tanto las y los bioinformáticos ponen a trabajar sus programas para tratar de predecirlas. Ganan, obviamente, las predicciones más próximas al resultado experimental.
AlphaFold ya participó en 2018 con muy buenos resultados. Pero nada comparado con el éxito abrumador de esta edición, que acaba de concluir. “Estamos todos asombrados, la diferencia con los demás grupos ha sido abismal, estratosférica”, dice Valencia, que este año formaba parte de la quincena de evaluadores de CASP. Matiza que más que contento está “interesado”, y que “aún lo estoy procesando”.
Moult ha declarado a la revista Nature que, “en cierto sentido, el problema [del plegamiento de proteínas] está resuelto”. Nature cita también a Janet Thornton, bióloga estructural del Laboratorio Europeo de Biología Molecular (EMBL) y asesora en CASP, que añade: “Empezaba a creer que no vería resuelto este problema en mi vida”.
Continuar leyendo en Agencia SINC
*Foto de portada: Las proteínas son las nanomáquinas del organismo y trabajan encajando unas en otras, como en un microscópico Tetris tridimensional/ Foto: AlphaFold