💡 Resumen (TL;DR):
- Google DeepMind, NVIDIA y EMBL-EBI integraron predicciones de complejos proteicos por primera vez en su plataforma.
- La alianza procesó 30 millones de complejos y publicó 1.7 millones de estructuras de alta confianza.
- La base de datos ayudará a modelar interacciones clave para el desarrollo de fármacos y estudios de patógenos prioritarios.
Google DeepMind, NVIDIA, la Universidad Nacional de Seúl y el EMBL-EBI integraron este 15 de marzo estructuras de complejos proteicos a la base de datos de AlphaFold. Esta actualización publica 1.7 millones de predicciones de alta confianza para acelerar el descubrimiento de medicamentos y el estudio de enfermedades infecciosas.
La alianza procesó cálculos para 30 millones de complejos en total. Además de los modelos principales, el sistema habilitará la descarga masiva de otros 18 millones de estructuras de menor confianza.
El esfuerzo técnico requirió una infraestructura masiva proveída por NVIDIA. Al hospedar los datos de forma centralizada, las compañías ahorraron a la comunidad científica cerca de 17 millones de horas-GPU de procesamiento continuo.
“Al expandir la AlphaFold Database para incluir complejos proteicos, estamos abordando una necesidad crítica expresada por la comunidad científica”, explicó Anna Koivuniemi, directora del Impact Accelerator en Google DeepMind.
“Esperamos que al reducir la barrera a estas predicciones complejas, podamos empoderar a los investigadores en todas partes para perseguir la próxima ola de descubrimientos que, en última instancia, podrían mejorar la salud humana a escala global”, detalló la directiva.
IA para descifrar la biología molecular
- Homodímeros: Complejos formados por dos copias idénticas de proteínas que ahora cuentan con mapas 3D accesibles.
- Enfoque biológico: Los modelos cubren 20 de las especies más estudiadas, abarcando humanos y patógenos en alerta por la Organización Mundial de la Salud.
- Adopción global: La base original contiene más de 200 millones de predicciones y sirve a más de 3.4 millones de usuarios en 190 países.
El laboratorio de Martin Steinegger en la Universidad Nacional de Seúl diseñó la metodología usando la arquitectura del sistema AlphaFold.
“Al hacer accesibles los complejos proteicos predichos a una escala sin precedentes, estamos iluminando un paisaje invisible de interacciones moleculares en todo el árbol de la vida”, aseguró Steinegger.
Entender cómo interactúan las proteínas es el núcleo del desarrollo de nuevos fármacos. Hasta ahora, calcular estas estructuras mediante software era mucho más difícil que modelar proteínas individuales.
Como señaló Dame Janet Thornton, directora emérita del EMBL-EBI: “Añadir interacciones homodiméricas proteína-proteína predichas a la base de datos de AlphaFold es un primer paso hacia una descripción exhaustiva del interactoma humano”.
