IA en la predicción de proteínas 3D mediante AlphaFold
Barra lateral del artículo
Contenido principal del artículo
Resumen
La predicción tridimensional de las proteínas con una alta aproximación a la conformación real es posible conceptualmente mediante modelos matemáticos según el dogma Anfinsen. Sin embargo, lograrlo es inviable debido a las múltiples conformaciones que añaden complejidad por la paradoja de Levinthal. Una manera de resolver este acertijo es usando modelos de aprendizaje automático a partir de estructuras que ya han sido dilucidadas experimentalmente. El programa AlphaFold permite hacer predicciones de novo a partir de algoritmos de aprendizaje automático. En el presente trabajo se explica en qué consiste esta herramienta, las métricas que se utilizan para interpretar los resultados, alternativas y un ejemplo práctico para aprender a ejecutar una predicción y concluye con los principios de ética y uso de la misma.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
[1] C. B. Anfinsen, “Principles that govern the folding of protein chains,” Science, vol. 181, no. 4096, pp. 223–230, 1973, doi: 10.1126/science.181.4096.223.
[2] R. Zwanzig, A. Szabo, and B. Bagchi, “Levinthal’s paradox,” Proc. Natl. Acad. Sci. USA, vol. 89, no. 1, pp. 20–22, 1992, doi: 10.1073/pnas.89.1.20.
[3] J. Jumper et al., “Highly accurate protein structure prediction with AlphaFold,” Nature, vol. 596, no. 7873, pp. 583-589, 2021, doi: 10.1038/s41586-021-03819-2.
[4] J. Abramson et al., “Accurate structure prediction of biomolecular interactions with AlphaFold 3,” Nature, vol. 630, no. 8016, pp. 493–500, 2024, doi: 10.1038/s41586-024-07487-w.
[5] U. Göbel, C. Sander, R. Schneider, and A. Valencia, “Correlated mutations and residue contacts in proteins,” Proteins, vol. 18, no. 4, pp. 309–317, 1994, doi: 10.1002/prot.340180402.
[6] S. A. Benner and D. Gerloff, “Patterns of divergence in homologous proteins as indicators of secondary and tertiary structure,” Adv. Enzyme Regul., vol. 31, pp. 121–181, 1991, doi: 10.1016/0065-2571(91)90012-B.
[7] W. R. Taylor and K. Hatrick, “Compensating changes in protein multiple sequence alignments,” Protein Eng. Des. Sel., vol. 7, no. 3, pp. 341–348, 1994, doi: 10.1093/protein/7.3.341.
[8] V. Mariani, M. Biasini, A. Barbato, and T. Schwede, “lDDT: A local superposition-free score for comparing protein structures and models,” Bioinformatics, vol. 29, no. 21, pp. 2722–2728, 2013, doi: 10.1093/bioinformatics/btt473.
[9] H.-B. Guo et al., “AlphaFold2 models indicate that protein sequence determines both structure and dynamics,” Sci. Rep., vol. 12, p. 10696, 2022, doi: 10.1038/s41598-022-14382-9.
[10] G. Kim et al., “Easy and accurate protein structure prediction using ColabFold,” 2023. [Online]. Available: https://colabfold.mmseqs.com
[11] R. Krishna et al., “Generalized biomolecular modeling and design with RoseTTAFold All-Atom,” Science, vol. 384, no. 6693, p. eadl2528, 2024, doi: 10.1126/science.adl2528.
[12] M. van Kempen et al., “Fast and accurate protein structure search with Foldseek,” Nat. Biotechnol., vol. 42, no. 2, pp. 243–246, 2024, doi: 10.1038/s41587-023-01773-0.
[13] M. Varadi et al., “AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences,” Nucleic Acids Res., vol. 52, no. D1, pp. D368–D375, 2024, doi: 10.1093/nar/gkad1011.
[14] B. T. Bajar et al., “Improving brightness and photostability of green and red fluorescent proteins for live cell imaging,” Sci. Rep., vol. 6, p. 20889, 2016, doi: 10.1038/srep20889.
[15] S. Papadaki et al., “Dual-expression system for blue fluorescent protein optimization,” Sci. Rep., vol. 12, p. 13214, 2022, doi: 10.1038/s41598-022-13214-0.
[16] T. M. Wannier et al., “Monomerization of far-red fluorescent proteins,” Proc. Natl. Acad. Sci. USA, vol. 115, no. 48, pp. E11294–E11301, 2018, doi: 10.1073/pnas.1807449115.
[17] J. Lee et al., “Versatile phenotype-activated cell sorting,” Sci. Adv., vol. 6, no. 43, p. eabb7438, 2020, doi: 10.1126/sciadv.abb7438.
[18] J. L. Watson et al., “De novo design of protein structure and function with RFdiffusion,” Nature, vol. 620, no. 7976, pp. 1089–1100, 2023, doi: 10.1038/s41586-023-06415-8.
[19] S. Vázquez Torres et al., “De novo designed proteins neutralize lethal snake venom toxins,” Nature, vol. 639, no. 8053, pp. 225–231, 2025, doi: 10.1038/s41586-024-08393-x.
[20] S. Tang et al., “De novo gene synthesis by an antiviral reverse transcriptase,” Science, vol. 386, no. 6717, pp. 1–41, 2024, doi: 10.1126/science.adq0876.