Imagen: Proteínas brillando en el espacio como galaxias en espiral
Mostrar animación original
Representación visual de proteínas brillando en el espacio como galaxias en espiral
1. La Importancia de las Proteínas en la Vida y la Ciencia
Las proteínas son macromoléculas fundamentales para la vida y desempeñan un papel central en la biología de todos los organismos. Estas estructuras, compuestas por secuencias de aminoácidos, están implicadas en una amplia variedad de procesos celulares y son esenciales para el mantenimiento y la funcionalidad de los sistemas biológicos. Desde la catálisis de reacciones químicas hasta la regulación de la expresión génica, las proteínas constituyen los bloques estructurales y funcionales de la vida.
2. Espacio de Proteínas y su Exploración
El espacio de proteínas es el conjunto de todas las posibles secuencias de aminoácidos que pueden formar una proteína funcional. Dado que las proteínas están compuestas por combinaciones de 20 aminoácidos esenciales, y pueden variar en longitud desde unas pocas decenas hasta varios miles de aminoácidos, el número de posibles secuencias es astronómicamente grande.
Sin embargo, dentro de este vasto espacio, solo una fracción muy pequeña corresponde a proteínas que son funcionales y estables en un entorno biológico. La evolución ha explorado solo una parte de este espacio a lo largo de miles de millones de años, seleccionando aquellas proteínas que proporcionan una ventaja adaptativa en organismos vivos.
3. Regiones inexploradas (proteínas que podrían existir)
Dado que la evolución solo ha probado una fracción infinitesimal del espacio de proteínas, existen regiones del espacio que contienen proteínas aún desconocidas, pero que podrían tener funciones útiles. Estas regiones inexploradas pueden contener proteínas con propiedades que la naturaleza nunca ha desarrollado.
La inteligencia artificial ha revolucionado la biología computacional, permitiendo el diseño de nuevas proteínas con funciones optimizadas y completamente innovadoras. Uno de los avances más significativos en este campo es ESM3, un modelo de aprendizaje profundo basado en Transformers multimodales que permite predecir, analizar y diseñar proteínas de manera eficiente.
La siguiente tabla muestra sus características principales:
| Aspecto | Descripción |
|---|---|
| Modelo de lenguaje aplicado a proteínas | ESM3 emplea una arquitectura similar a los modelos de lenguaje natural (como GPT-4), pero adaptada a las secuencias de aminoácidos de proteínas. Funciona mediante predicción de tokens, donde cada aminoácido es tratado como una "palabra" dentro de una oración. |
| Tokenización multimodal | Representa no solo la secuencia de aminoácidos, sino también la estructura tridimensional y la función biológica de las proteínas. Utiliza técnicas avanzadas de codificación para mapear proteínas en un espacio de aprendizaje profundo. |
| Autoatención bidireccional | Permite al modelo capturar relaciones a larga distancia dentro de la proteína, lo que es crucial para predecir su estructura y función. Usa un mecanismo de máscara de tokens para entrenarse en la predicción de fragmentos de proteínas ocultos, de manera similar a como un modelo de lenguaje completa frases incompletas. |
| Generación y optimización de proteínas | Puede generar proteínas nuevas siguiendo instrucciones específicas, como "diseñar una enzima que degrade plásticos" o "crear una proteína fluorescente". Utiliza técnicas de optimización iterativa para mejorar las propiedades de las proteínas generadas. |
Fuente: Elaboración propia
El uso de modelos de lenguaje para el diseño de proteínas puede parecer contraintuitivo al principio, ya que estos modelos fueron desarrollados originalmente para procesar textos escritos. Sin embargo, las proteínas pueden considerarse lenguajes biológicos, donde los aminoácidos funcionan como "palabras" que siguen patrones de estructura y función.
La imagen siguiente, obtenida del paper, es una demostración visual de cómo los modelos de lenguaje pueden utilizarse para "escribir" nuevas proteínas, validando la idea de que las proteínas pueden entenderse como un "lenguaje biológico" en el que los aminoácidos actúan como palabras.
Fuente: Simulating 500 million years of evolution with a language model
4. Resultado
El modelo ESM3 ha sido utilizado para diseñar esmGFP, una nueva proteína fluorescente que no tiene un equivalente directo en la naturaleza. Esta proteína es funcionalmente similar a la GFP (Green Fluorescent Protein), ampliamente utilizada en biotecnología y biomedicina para marcar y visualizar procesos celulares.
Sin embargo, esmGFP se diferencia de las proteínas fluorescentes naturales porque su secuencia de aminoácidos ha sido generada completamente por inteligencia artificial. Lo más notable es que su identidad de secuencia está a 500 millones de años de evolución de cualquier proteína fluorescente conocida, lo que significa que su diseño no siguió el camino evolutivo natural, sino que fue una exploración computacional de nuevas combinaciones de aminoácidos que permiten la fluorescencia.
5. Reflexión
Un elemento fascinante es la idea de que las proteínas pueden considerarse "lenguajes biológicos", lo cual se alinea perfectamente con la forma en que ESM3 generó esmGFP. Al igual que los modelos de lenguaje natural pueden aprender la estructura gramatical de un idioma y generar frases coherentes, ESM3 ha aprendido los patrones que rigen la secuencia y función de las proteínas, produciendo una nueva proteína fluorescente sin seguir la evolución biológica convencional.
La siguiente tabla refleja esta situación:
| Modelos de Lenguaje Natural | Modelos de Lenguaje para Proteínas (ESM3) |
|---|---|
| Aprenden la gramática y sintaxis de un idioma | Aprenden la gramática estructural de las proteínas |
| Predicen la siguiente palabra en una oración | Predicen aminoácidos en secuencias de proteínas |
| Generan textos coherentes a partir de datos previos | Generan proteínas funcionales a partir de patrones evolutivos |
| Pueden escribir frases nunca vistas antes | Pueden diseñar proteínas nunca antes descubiertas |
Fuente: Elaboración propia
Si lo pensamos, la proteína fue generada utilizando un modelo de lenguaje basado en Transformers, lo que demuestra que las reglas que rigen los aminoácidos pueden modelarse de forma similar a las del lenguaje humano. La idea es que, si los modelos de IA pueden generar textos comprensibles al aprender estructuras lingüísticas, también pueden generar proteínas funcionales al aprender patrones evolutivos en secuencias de aminoácidos. En este caso, el “lenguaje de la vida” puede descifrarse y manipularse con IA, acelerando la exploración del espacio de proteínas mucho más allá de lo que la evolución ha logrado en millones de años.
La imagen siguiente es una representación de esta proteína:
Fuente: EvolutionaryScale
Referencias
Volver a la versión en castellano
Tu cuaderno de lectura
La nota se guarda solo en este navegador.
Esta nota conserva el texto del archivo original y su contexto histórico.
Consultar archivo original ↗