PAGAnteriormente suscitado escepticismo, la IA les valió a los científicos el Premio Nobel de Química en 2024 después de que la usaron para resolver el problema del diseño y plegamiento de proteínas, y ahora ha sido adoptada por biólogos de todo el mundo. Los modelos de IA, como las redes neuronales artificiales y los modelos de lenguaje, ayudan a los científicos a resolver una variedad de problemas, desde predecir la estructura tridimensional de las proteínas hasta diseñar nuevos antibióticos desde cero. Los investigadores continúan perfeccionando los modelos de IA, abordando sus limitaciones y demostrando aplicaciones generalizadas en biología.
Premio Nobel de IA: un resumen de la historia del diseño y el plegamiento de proteínas
El premio Nobel David Baker utiliza modelos de aprendizaje profundo para crear proteínas de novo que son más adecuadas para resolver problemas modernos que las proteínas naturales.
Ian Haydon
Un problema importante para los biólogos de proteínas, el problema del plegamiento de proteínas ahora ha sido resuelto por la IA, gana el bioquímico de la Universidad de Washington David Baker e investigadores de DeepMind Demis Hassabis y Juan saltador un Premio Nobel de Química. Después de luchar durante unas dos décadas para determinar la estructura terciaria de las proteínas a partir de la secuencia de sus aminoácidos, los científicos establecieron la Evaluación crítica de predicción estructural (CASP) concurso en 1994 para fomentar la colaboración en este ámbito. En 1998, el equipo de Baker creó el software Rosetta para modelar la configuración de energía de proteínas; de hecho, unos años más tarde, el equipo convirtió su modelo computacional en un juego llamado Foldit para atraer voluntarios para que participaran en la resolución de estructuras de proteínas. En la edición de 2018 de CASP, el equipo de DeepMind presentó su innovador programa AlphaFold, entrenado en secuencias y estructuras de proteínas reales. Dos años más tarde, el éxito del programa AlphaFold2 en la predicción precisa de la estructura de las proteínas llevó a los expertos a declarar que el problema del plegamiento de las proteínas estaba en gran medida resuelto. En 2024, Baker, Hassabis y Jumper recibieron el Premio Nobel por su trabajo que permitió una comprensión más profunda de las funciones y aplicaciones de las proteínas.
Lea sobre los antecedentes detrás del descubrimiento ganador del Premio Nobel aquí.
AlphaFold inspiró la rápida adopción de la IA en biología
Con el lanzamiento en 2018 de AlphaFold, un modelo de aprendizaje profundo de IA, los científicos finalmente pudieron predecir la estructura 3D de las proteínas, un desafío de décadas en biología. Entrenado en 100.000 secuencias y estructuras de proteínas conocidas, el modelo no solo puede predecir con precisión estructuras de proteínas con una precisión casi experimental, sino que también puede usarse para diseñar proteínas de novo para una variedad de aplicaciones en terapéutica y más. Inspirados por el éxito de AlphaFold, los científicos ahora están utilizando modelos de aprendizaje profundo para crear mapas espaciotemporales de células, analizar imágenes de células para detectar cambios en la morfología que indiquen enfermedad y estimar la eficacia de nuevos medicamentos para detener la progresión de la enfermedad para minimizar las pérdidas en el tubería de descubrimiento de fármacos. A los expertos les gusta Maddison Masaeliingeniero científico y director ejecutivo de Deepcell, están contentos con la rápida adopción de la IA en biología, pero advierten que los investigadores necesitan una experiencia significativa para aprovechar la IA para aplicaciones biológicas.
Explore las amplias aplicaciones de la IA en biología aquí.
Proteínas De Novo Abordaje 21calle Problemas del siglo
Utilizando herramientas avanzadas de aprendizaje automático, los investigadores pueden crear proteínas artificiales con nuevas funciones.
Ian Haydon
Aprovechando el poder de los modelos de IA, los científicos ahora pueden diseñar proteínas a medida con funciones biológicas específicas, lo que les permite resolver problemas que las proteínas que se encuentran en la naturaleza no pueden abordar. La ingeniería de proteínas tradicional se basa en realizar cambios incrementales y observar sus efectos, pero los modelos de aprendizaje automático pueden diseñar mejores proteínas y acelerar significativamente el proceso. Especialista en diseño de proteínas. David Baker y su equipo de la Universidad de Washington utilizaron varios modelos de IA diferentes para diseñar enzimas luciferasa estables que pueden unirse a la luciferina sintética para brillar, con aplicaciones en la obtención de imágenes profundas de tejido animal. Si bien este tipo de diseño de proteínas tiene margen de mejora y aún no está completamente automatizado, podría usarse en el futuro para crear una variedad de proteínas con fines terapéuticos y de otro tipo.
Obtenga más información sobre las proteínas de novo aquí.
La IA descubre un nuevo antibiótico para las bacterias resistentes a los medicamentos
Jon Stokes y su equipo desarrollaron SyntheMol, un modelo de inteligencia artificial generativa que utilizaron para crear nuevos antibióticos con eficacia prevista contra el patógeno ESKAPE. Acinetobacter baumannii.
Universidad McMaster
El diseño de proteínas de novo utilizando IA podría ser una gran ayuda para el desarrollo de antibióticos. Con la incidencia de la resistencia a los antimicrobianos aumentando en todo el mundo y la escasez de nuevos antibióticos que se descubren, los investigadores de la Universidad McMaster han recurrido a la IA para diseñar nuevos antibióticos que puedan sintetizarse fácilmente. Dirigido por bioquímico jon stokesel equipo desarrolló un modelo de IA generativa llamado SyntheMol para diseñar pequeñas moléculas que poseen actividad antibacteriana contra Acinetobacter baumanniiun patógeno resistente a los medicamentos considerado por la Organización Mundial de la Salud como una gran amenaza para la salud global. Aunque aún no se han probado en seres humanos, varias de las moléculas inhibieron el crecimiento de las bacterias objetivo, así como de otros microbios resistentes a los medicamentos in vitro.
Profundice en los antibióticos generados por IA en este artículo.
Las redes neuronales artificiales aprenden como los cerebros humanos
Inspiradas en el cerebro humano, las redes neuronales artificiales (RNA) son un tipo de modelo de aprendizaje automático que contiene múltiples capas de nodos (o neuronas) interconectados que pueden procesar datos. Cada nodo de la red realiza una ecuación matemática utilizando datos de entrada ponderados y determina si la salida pasará a la siguiente capa de nodos en función de un valor umbral. Los científicos entrenan la ANN utilizando conjuntos de datos que tienen valores o características conocidas, luego le permiten evaluar sus resultados previstos con la respuesta verdadera para cada muestra para que pueda mejorar su precisión con el tiempo. Luego, la ANN se puede utilizar para predecir resultados a partir de nuevos conjuntos de datos. A pesar de algunas limitaciones clave, las RNA pueden identificar patrones en datos complejos que los humanos podrían no ser capaces de realizar y realizar tareas menores para liberar tiempo a los investigadores.
Leer más sobre redes neuronales en este artículo explicativo.
Los modelos de lenguaje grandes nos ayudan a comprender el cerebro
Los investigadores ahora han desarrollado un modelo de lenguaje (el tipo de modelo de aprendizaje profundo responsable de ChatGPT) que puede determinar los pensamientos de una persona a partir de imágenes de resonancia magnética de su cerebro. Alejandro Huthinvestigador de la Universidad de Texas en Austin, creó la técnica con el objetivo de permitir que las personas que no pueden hablar se comuniquen, pero también ha revelado conocimientos sobre el funcionamiento del cerebro humano. El modelo de Huth demostró que todas las partes del cerebro utilizan información relacionada con el significado, incluso si las imágenes por resonancia magnética muestran que sólo la corteza prefrontal está activa. Si bien el modelo no es generalizable a diferentes temas, lo que significa que no puede leer la mente, los expertos recomiendan precaución ya que estos modelos se vuelven más precisos en el futuro.
Obtenga más información sobre los modelos de lenguaje y su aplicación en biología. en este artículo.
Predecir la expresión genética mediante inteligencia artificial
Si bien ChatGPT se utiliza para predecir las siguientes palabras de una oración, los científicos ahora han creado modelos de aprendizaje profundo similares que pueden predecir la expresión genética en células individuales. Creado por biólogo computacional Bo Wang y su equipo de la Universidad de Toronto, el transformador preentrenado generativo unicelular (scGPT) puede analizar datos de secuenciación de ARN unicelular de manera más efectiva que varios de los métodos actuales más populares. El modelo también pudo predecir con mayor precisión los efectos de la perturbación genética que un modelo estándar. Originalmente entrenada en la médula ósea y las células inmunes, una nueva versión de scGPT ahora se ha adaptado para el análisis de una variedad de otros tipos de células y podría usarse para responder preguntas biológicas importantes en un futuro cercano.
Continuar leyendo sobre scGPT aquí.
Los modelos de IA tienen un enorme potencial en biología, desde ayudarnos a comprender el cerebro hasta crear nuevas terapias; sin embargo, los expertos han advertido que su uso debe moderarse con precaución y que su éxito depende de tener un conocimiento profundo y amplio. Los investigadores continúan explorando, desarrollando y perfeccionando modelos de aprendizaje profundo para una variedad de aplicaciones, incluida la interpretación y predicción de datos biológicos.