Quiénes son los científicos de Google Deep Mind que descifraron el código de las proteínas y ganaron el Nobel de Química

La Real Academia Sueca de Ciencias entregó el Premio Nobel de Química 2024 a los estadounidenses David Baker y John Jumper y el británico Demis Hassabis cuyos descubrimientos han permitido a la ciencia adentrarse en un nuevo territorio en el estudio, la predicción y creación de proteínas mediante el uso de inteligencia artificial.

En esta ocasión, el premio tiene un vínculo estrecho con el gigante tecnológico Google: Hassabis, es el fundador de Google DeepMind, y Jumper, quien dirige el desarrollo del software de predicción de proteínas AlphaFold de la compañía, comparten el premio junto al bioquímico Baker, de la Universidad de Washington.

Desde los albores de la biología molecular, los científicos soñaron con comprender y dominar las proteínas. Estas moléculas complejas son esenciales para prácticamente todos los procesos biológicos, desde la construcción de los tejidos del cuerpo hasta la regulación de las reacciones químicas que nos mantienen vivos.

El jurado del Comité del Nobel destacó que los galardonados lograron descifrar el enigma de las complejas estructuras de las proteínas, consideradas herramientas químicas esenciales para la vida.

La inteligencia artificial es una fuerza transformadora en varios campos, pero su impacto en la química y la biología es hoy especialmente revolucionario. Por un lado, Hassabis y Jumper utilizaron esta tecnología para resolver un problema que desafió a los científicos durante más de 50 años: la predicción precisa de la estructura tridimensional de las proteínas a partir de su secuencia de aminoácidos.

Por otro lado, Baker fue un paso más allá, no solo comprendió estas estructuras, sino que logró diseñar proteínas completamente nuevas con funciones innovadoras.

Los tres científicos se desempeñan en instituciones de renombre internacional: el estadounidense Baker es profesor en la Universidad de Washington en Seattle, el británico Hassabis, cofundador y director ejecutivo de Google DeepMind, obtuvo su doctorado en neurociencia por el University College London. Por su parte, el estadounidense Jumper, investigador sénior también en Google DeepMind, completó su doctorado en la Universidad de Chicago.

Las proteínas son moléculas que desempeñan una gran variedad de funciones dentro de los organismos vivos. Están formadas por cadenas de aminoácidos, de los cuales existen 20 tipos diferentes que pueden combinarse en una infinidad de maneras.

Estas cadenas se pliegan en formas tridimensionales únicas, y su estructura es clave para determinar su función. Algunas proteínas son los bloques constructores de los músculos, la piel o los órganos, mientras que otras actúan como enzimas, catalizando las reacciones químicas que hacen posible la vida.

Predecir cómo se pliega una cadena de aminoácidos en su estructura tridimensional ha sido uno de los grandes desafíos de la bioquímica. Aunque se sabe que la secuencia de aminoácidos de una proteína determina su estructura, la cantidad de combinaciones posibles es tan vasta que, si una proteína se plegara de forma aleatoria, tardaría más que la edad del universo en encontrar su estructura final. Este problema, conocido como la paradoja de Levinthal, ha desconcertado a los científicos durante décadas.

Hassabis comenzó su carrera como prodigio del ajedrez y desarrollador de videojuegos, pero luego se enfocó en la inteligencia artificial y la neurociencia, para ello cofundó en 2010 la empresa DeepMind, que fue adquirida por Google en 2014 tras su éxito en desarrollar modelos de IA.

Uno de los mayores desafíos fue mejorar AlphaFold, su sistema de predicción de proteínas. Jumper, físico teórico con experiencia en simulación de proteínas, se unió a DeepMind en 2017 y propuso mejoras clave, lo que permitió a ambos codirigir el avance definitivo del modelo.

Gracias al modelo de IA llamado AlphaFold2, lograron predecir con una precisión sorprendente la estructura de casi todas las proteínas conocidas, un total de más de 200 millones.

Este avance es extraordinario, ya que anteriormente, predecir la estructura de una proteína era un proceso laborioso que podía llevar años de trabajo utilizando técnicas como la cristalografía de rayos X.

AlphaFold2 funciona utilizando un tipo de red neuronal llamada “transformers”, que puede analizar grandes cantidades de datos y detectar patrones en ellos. Este enfoque permitió a AlphaFold predecir la forma en que las proteínas se pliegan, superando en precisión a las técnicas tradicionales. Este avance fue validado durante la competición CASP (Evaluación Crítica de la Predicción de la Estructura de las Proteínas) en 2020, donde AlphaFold2 alcanzó una precisión de más del 90%, un resultado asombroso que fue considerado por los organizadores como la solución definitiva a un problema de 50 años en la bioquímica.

El impacto de este logro es enorme: ahora, en lugar de esperar años para obtener la estructura de una proteína, los científicos pueden predecirla en cuestión de minutos.

Esto no solo acelera el progreso en la investigación básica, sino que también abre la puerta a un sinfín de aplicaciones prácticas, desde el diseño de nuevos medicamentos hasta la creación de materiales biocompatibles.

Mientras que Hassabis y Jumper transformaron la manera en que se logra predecir las estructuras de las proteínas existentes, el trabajo de Baker se centra en la creación de proteínas nuevas. Tradicionalmente, los científicos han modificado proteínas naturales para mejorar sus funciones o adaptarlas a nuevas tareas, como descomponer sustancias peligrosas o actuar como herramientas en procesos industriales.

Sin embargo, las proteínas existentes tienen limitaciones, ya que evolucionaron en la naturaleza con fines específicos.

Baker, trabajando en la Universidad de Washington, decidió que, en lugar de modificar proteínas existentes, sería mejor diseñar proteínas desde cero. Usando métodos computacionales avanzados, Baker desarrolló un software llamado Rosetta, que puede diseñar secuencias de aminoácidos para generar proteínas con estructuras específicas.

El primer gran logro de su equipo fue la creación de Top7, una proteína con una estructura que no existe en la naturaleza y que demostró que es posible construir proteínas totalmente nuevas con funciones predeterminadas.

El diseño de proteínas de novo tiene un enorme potencial. Las proteínas diseñadas podrían usarse en la medicina, para desarrollar tratamientos específicos para enfermedades genéticas o como base para vacunas más efectivas. También podrían emplearse en la biotecnología, creando enzimas personalizadas que puedan degradar desechos plásticos o generar energía de manera más eficiente.

Las posibilidades son vastas, y el trabajo de Baker ya generó un gran número de proteínas innovadoras que están siendo investigadas para estas y otras aplicaciones.

Los descubrimientos de Hassabis, Jumper y Baker representan un avance sin precedentes en nuestra capacidad para comprender y manipular las proteínas, los bloques fundamentales de la vida.

La posibilidad de predecir con precisión las estructuras de proteínas humanas y de otros organismos permitirá comprender mejor cómo se desarrollan las enfermedades a nivel molecular y cómo pueden diseñarse tratamientos más efectivos y personalizados.

Además, la capacidad de crear nuevas proteínas con funciones específicas abrirá nuevas oportunidades en áreas como la creación de nanomateriales, el desarrollo de vacunas y el diseño de fármacos.