Investigadores de la Universidad de Toronto (Canadá) han utilizado un sistema de inteligencia artificial generativa (IAG) que puede crear proteínas que no se encuentran en la naturaleza utilizando la difusión generativa, la misma tecnología detrás de conocidas plataformas de creación de imágenes.

"Nuestro modelo aprende de las representaciones de imágenes para generar proteínas completamente nuevas, a un ritmo muy alto", explicó el prof. Philip M. Kim, del Centro Donnelly para la Investigación Celular y Biomolecular de la Facultad de Medicina Temerty de la Universidad de Toronto. "Todas nuestras proteínas parecen ser biofísicamente reales, lo que significa que se pliegan en configuraciones que les permiten llevar a cabo funciones específicas dentro de las células", añadió

Las proteínas están hechas de cadenas de aminoácidos que se pliegan en formas tridimensionales, que a su vez dictan la función de la proteína. Esas formas evolucionaron durante miles de millones de años y son variadas y complejas, pero también limitadas en número. Con una mejor comprensión de cómo se pliegan las proteínas existentes, los investigadores han comenzado a diseñar patrones de plegado que no se producen en la naturaleza.

Según el prof. Kim, "un gran desafío ha sido imaginar pliegues que sean tanto posibles como funcionales. Ha sido muy difícil predecir qué pliegues serán reales y funcionarán en una estructura de proteína. Al combinar representaciones basadas en la biofísica de estructura de la proteína con métodos de difusión desde el espacio de generación de imágenes, podemos comenzar a abordar este problema".

Funcionamiento del modelo

El nuevo sistema, que los investigadores llaman ProteinSGM, y que ha sido descrito en la revista ´Nature Computational Science´ se basa en un gran conjunto de representaciones similares a imágenes de proteínas existentes que codifican su estructura con precisión.

Los investigadores introducen estas imágenes en un modelo de difusión generativa, que gradualmente agrega ruido hasta que cada imagen se convierte en todo ruido. El modelo rastrea cómo las imágenes se vuelven más ruidosas y luego ejecuta el proceso a la inversa, aprendiendo cómo transformar píxeles aleatorios en imágenes claras que corresponden a proteínas completamente nuevas.

"Una idea clave fue la representación adecuada en forma de imagen de la estructura de la proteína, de modo que el modelo de difusión pueda aprender cómo generar nuevas proteínas con precisión", explicó Jin Sub (Michael) Lee, estudiante de doctorado en el laboratorio de Kim y primer autor del artículo.

El sistema ayudará a avanzar en el campo de la biología generativa, que promete acelerar el desarrollo de fármacos al hacer que el diseño y las pruebas de proteínas terapéuticas completamente nuevas sean más eficientes y flexibles. "Los próximos pasos basados ​​en este trabajo incluyen un mayor desarrollo de ProteinSGM para anticuerpos y otras proteínas con el mayor potencial terapéutico", concluyó el prof. Kim.