Google lanza una IA molecular con la que busca transformar la Medicina

Las moléculas van a ser la base de la herramienta de inteligencia artificial de Google. Así lo han explicado en la presentación de AlphaFold 3, que ha desarrollado la división de inteligencia artificial de la compañía. Este modelo logra un rendimiento significativamente mayor que los métodos conocidos hasta ahora, que solo se especializan en una tarea dada, e incluye una mayor precisión en la estructura de las proteínas, ADN, ARN o moléculas más pequeñas y lo hace a gran velocidad.

"Nuestro modelo AlphaFold 3 con una arquitectura basada en difusión sustancialmente actualizada, que es capaz de predecir la estructura conjunta de complejos que incluyen proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados", explican en un artículo publicado en la revista Nature. "El nuevo modelo AlphaFold demuestra una precisión significativamente mejorada con respecto a muchas herramientas especializadas anteriores: una precisión mucho mayor en las interacciones de las proteínas ligando que las herramientas de acoplamiento de última generación, una precisión mucho mayor en las interacciones proteína-ácido nucleico que los predictores específicos de ácido nucleico y significativamente mayor" añaden.

Según explican sus autores, el principal resultado de esta IA es que es posible realizar modelos de alta precisión en todo el espacio biomolecular dentro de un único marco unificado de aprendizaje profundo. Hay que tener en cuenta que los modelos precisos de complejos biológicos son "fundamentales" para comprender las funciones celulares y para el diseño de las terapias.

Predecir la reacción del Covid-19

De hecho, si se compara con Alpha Fold 2, ha habido una "evolución sustancial de la arquitectura y la capacitación", tanto para acomodar estructuras químicas más generales como para mejorar datos de eficiencia del aprendizaje. Además, predice directamente las coordenadas del átomo sin procesar con un módulo de difusión, reemplazando el módulo de estructura AlphaFold 2 que operaba en marcos específicos de aminoácidos y ángulos de torsión de la cadena lateral. Gracias a todo ello, podría anticiparse y predecir cómo la proteína de la espícula del coronavirus -Coronavirus OC43- interactúa frente a anticuerpos y los azúcares simples, encajando con su estructura.

"AF3 predice complejos proteína-nucleicos y estructuras de ARN con mayor precisión", aseguran.

No obstante, este modelo también ha supuesto retos. Según se detalla en el artículo de Natura, el uso de un enfoque de difusión generativa conlleva algunos desafíos técnicos como que los modelos generativos pueden inventar estructuras que parezcan plausibles incluso en regiones no estructuradas. Para contrarrestar esto, han utilizado un nuevo método de destilación cruzada donde enriquecen los datos de entrenamiento con estructuras predichas, de manera que reduce sustancialmente estos errores.