EFEEFE
París - oct. 09, 2024 | Diario Libre
Los estadounidenses David Baker y John Jumper, junto con el británico Demis Hassabis, recibieron este miércoles el Premio Nobel de Química. (FUENTE EXTERNA.)
Predecir la estructura de las proteínas y crear nuevas para tratar enfermedades o degradar plásticos es el prometedor campo que exploran los estadounidenses David Baker y John Jumper y el británico Demis Hassabis, galardonados con el Premio Nobel de Química este miércoles.
¿Qué es una proteína?
Las proteínas son moléculas que desempeñan un papel fundamental en casi todas las funciones de los organismos vivos.
Están compuestas por una secuencia de aminoácidos, bloques básicos de 20 tipos diferentes que se pueden combinar de manera infinita. Siguiendo las instrucciones almacenadas en el ADN, los aminoácidos de una proteína se enlazan para formar una larga cadena que se retuerce y adopta una estructura tridimensional específica.
El orden de los aminoácidos determina cuál será la estructura tridimensional de la proteína. Y es esa estructura la que otorga a la proteína su función.
RELACIONADAS
El Nobel de Química premia a tres científicos por su trabajo en proteínas, cruciales para la vidaEl Nobel de Química premia a tres científicos por su trabajo en proteínas, cruciales para la vida
"Tu sistema inmunológico son proteínas; la digestión son las enzimas, que también son proteínas", explica a la AFP Sophie Sacquin-Mora, experta del Laboratorio francés de Bioquímica Teórica.
"Buscar una estructura equivale a querer hallar una proteína con una función específica. La naturaleza ya nos proporciona decenas de miles de proteínas diferentes, pero a veces quieres que haga algo que aún no sabe hacer", añade.
¿Qué descubrieron los galardonados?
El estadounidense David Baker "descifró el código" de la secuencia de aminoácidos, según las palabras del Comité Nobel. Diseñó una estructura de proteína completamente nueva y, con la ayuda de Rosetta, un programa informático que creó, logró determinar qué secuencia de aminoácidos permitiría obtener dicho resultado.
Rosetta exploró una base de datos de todas las estructuras proteicas conocidas y buscó pequeños fragmentos de proteínas que mostraran similitudes con la estructura deseada. Luego optimizó esos fragmentos y propuso una secuencia de aminoácidos.
El británico Demis Hassabis y el estadounidense John Jumper siguieron el camino inverso, prediciendo cómo sería una proteína a partir de la secuencia de aminoácidos.
Para ello utilizaron inteligencia artificial. Con redes neuronales artificiales y aprendizaje profundo, por los que John Hopfield y Geoffrey Hinton recibieron el martes el Nobel de Física, entrenaron su modelo, AlphaFold2, alimentándolo con todas las secuencias de aminoácidos y las estructuras correspondientes conocidas hasta entonces.
Ante una secuencia desconocida, AlphaFold2 compara las similitudes con secuencias ya conocidas y elabora un mapa que estima la distancia entre cada aminoácido en la proteína, y poco a poco logra reconstruir el rompecabezas tridimensional. Así pudieron predecir la estructura de casi la totalidad de las 200 millones de proteínas conocidas.
¿Para qué sirve?
Visualizar la estructura de una proteína permite "comprender mejor por qué se desarrollan ciertas enfermedades, cómo se produce la resistencia a los antibióticos o por qué algunos microbios pueden descomponer el plástico", subraya el Comité Nobel.
Crear proteínas con nuevas funciones "puede conducir a nuevos nanomateriales, a medicamentos específicos, al desarrollo más rápido de vacunas, a desarrollar sensores minimalistas y una industria química más ecológica", añade.
Durante el anuncio del Nobel, David Baker mencionó la creación de nuevos antivirales durante la pandemia de Covid-19.
"Si se trabajara de manera aleatoria, solo haciendo combinaciones, tomaría muchísimo tiempo" a la hora de crear nuevas proteínas, detalla Sacquin-Mora.
"En este caso partimos de una proteína que conocemos un poco, que sabemos que funciona, y hacemos modificaciones, especialmente en la secuencia, de manera muy específica, para obtener la función que nos interesa exactamente. Hacemos 50 intentos en lugar de 5 millones, lo que supone un ahorro de tiempo considerable", dice.