Diseño de nuevas proteínas de gran tamaño con IA.
El diseño de proteínas tiene como objetivo crear anticuerpos personalizados para terapias, biosensores para diagnósticos o enzimas para reacciones químicas. Un equipo internacional de investigadores ha desarrollado un método para diseñar nuevas proteínas de gran tamaño mejor que antes y producirlas con las propiedades deseadas en el laboratorio. Su enfoque implica una nueva forma de utilizar las capacidades del software basado en inteligencia artificial Alphafold2, por el que se otorgó el Premio Nobel de Química en 2024.
Las proteínas, ya sean componentes básicos, sistemas de transporte, enzimas o anticuerpos, desempeñan un papel fundamental en nuestro organismo. Por ello, los investigadores intentan recrearlas o diseñar las denominadas proteínas de novo que no existen en la naturaleza. Estas proteínas artificiales están diseñadas, por ejemplo, para unirse a determinados virus o transportar fármacos. Los científicos utilizan cada vez más el aprendizaje automático para diseñarlas. Recientemente, los avances en este campo fueron galardonados con el Premio Nobel de Química: el premio Nobel de este año fue para David Baker, pionero del diseño de proteínas de novo, y para los desarrolladores del software Alphafold2 Demis Hassabis y John Jumper. Este software permite predecir las estructuras de las proteínas en el ordenador con gran precisión.
Un equipo internacional dirigido por Hendrik Dietz , profesor de nanotecnología biomolecular en la Universidad Técnica de Múnich (TUM), y Sergey Ovchinnikov, profesor de biología en el MIT, ha desarrollado un método que utiliza la predicción precisa de la estructura de Alphafold2 junto con un enfoque denominado descenso de gradiente para el diseño eficiente de proteínas. El trabajo se publicó en la revista Science.
El descenso de gradiente es un método común para la optimización de modelos. En un proceso paso a paso, se puede utilizar para identificar desviaciones de la función objetivo deseada y ajustar los parámetros hasta que se logre el resultado óptimo. En el diseño de proteínas, el descenso de gradiente se puede utilizar para comparar la estructura de las nuevas proteínas predichas por AlphaFold2 con la estructura proteica deseada. Esto permite a los científicos optimizar aún más su nueva cadena de aminoácidos diseñada y la estructura resultante. Esta última determina en gran medida la estabilidad y la función de la proteína y depende de interacciones energéticas sutiles.
Mostrar contenido externo
En este punto se integran contenidos de un proveedor externo (fuente: www.youtube-nocookie.com ). Al visualizarlos, es posible que se transmitan datos a terceros o que se almacenen cookies, por lo que se requiere su consentimiento.
Puede encontrar más información y la posibilidad de revocar su consentimiento en www.tum.de/datenschutz .Estoy de acuerdoLos investigadores han desarrollado un nuevo método para diseñar proteínas de novo con propiedades personalizadas. Su enfoque aprovecha las capacidades de predicción de la estructura de AlphaFold2, combinándolas con una superposición virtual de aminoácidos y un proceso de optimización conocido como descenso de gradiente. Mediante la optimización por descenso de gradiente, mejoran la estructura de la proteína predicha paso a paso hasta que se logra la estructura deseada. Codificación de colores en la animación: cuanto más se acerca el tono al azul oscuro, más seguro está el programa en la predicción de la estructura.
Superposición virtual de los bloques de construcción
El nuevo método permite diseñar nuevas proteínas de gran tamaño mejor que antes y adaptarlas a las propiedades deseadas, por ejemplo, para que se unan con precisión a otras proteínas. Su proceso de diseño difiere de los enfoques anteriores en varios aspectos.
«Hemos diseñado el proceso de creación de nuevas proteínas de tal forma que, en un principio, ignoramos los límites de lo físicamente posible. Normalmente, en cada punto de la cadena de aminoácidos solo se supone uno de los 20 bloques de construcción posibles. En su lugar, utilizamos una variante en la que todas las posibilidades están virtualmente superpuestas», explica Christopher Frank, doctorando en la Cátedra de Nanotecnología Biomolecular y primer autor del estudio.
Esta superposición virtual no se puede traducir directamente en una proteína realmente producible, pero permite optimizar la proteína iterativamente. «Mejoramos la disposición de los aminoácidos en varias iteraciones hasta que la nueva proteína se acerca mucho a la estructura deseada», explica Christopher Frank. A partir de esta estructura optimizada, se determina la secuencia de aminoácidos que realmente se puede ensamblar para formar una proteína en el laboratorio.
La prueba crucial: ¿cómo se sostienen las predicciones en la vida real?
La prueba definitiva para todas las proteínas recién diseñadas: ¿la estructura real se corresponde con la estructura prevista y la función deseada? Con el nuevo método, el equipo diseñó virtualmente más de 100 proteínas, las produjo en el laboratorio y las probó experimentalmente. «Pudimos demostrar que las estructuras que diseñamos son muy parecidas a las que realmente se producen», afirma Christopher Frank.
Con su nuevo método, han conseguido producir proteínas compuestas por hasta 1.000 aminoácidos. “Esto nos acerca al tamaño de los anticuerpos y, al igual que con ellos, podemos integrar en una proteína de este tipo varias funciones deseadas”, explica Hendrik Dietz. “Podrían ser, por ejemplo, motivos para reconocer y suprimir patógenos”.
Contacto