Google revoluciona la biomedicina

La intel·ligència artificial de l’empresa DeepMind, adquirida per Google el 2014, ha fet un pas de gegant en la resolució d’un problema fonamental de la biologia en el qual hi ha científics que han treballat tota la vida. El sistema AlphaFold ha aconseguit predir per primera vegada quina forma té una proteïna a partir de la seqüència de peces -aminoàcids- que la formen. Nombrosos experts en bioquímica ja han dit que aquesta tècnica pot revolucionar el disseny de fàrmacs i el coneixement -i, per tant, tractament- de moltes malalties. “Es tracta d’un resultat espectacular, d’un salt qualitatiu brutal”, diu Patrick Aloy, investigador Icrea i cap del laboratori de bioinformàtica estructural de l’Institut de Recerca Biomèdica de Barcelona (IRB).

Que la forma de les coses en determina la funció és una sentència que, aplicada a la vida quotidiana, sembla força raonable. Per als investigadors que estudien la matèria a escales moleculars, però, és molt més que això. Com a exemple, les proteïnes, un tipus de molècules imprescindibles en qualsevol funció vital. Hi ha molts experiments que permeten identificar les proteïnes que hi ha en una mostra de qualsevol teixit, i els avenços en genòmica de les últimes dècades han permès conèixer molt bé a quines proteïnes donen lloc els gens. Tot plegat ha revolucionat l’estudi i el tractament de moltes malalties. Però tot aquest coneixement és insuficient per dir res sobre la forma de les proteïnes, que en definitiva és el paràmetre que en condiciona el funcionament. Per esbrinar-la, calen experiments delicats i laboriosos que en alguns casos poden durar anys. Dels 200 milions de proteïnes que es coneixen, només s’ha determinat la forma de prop de 170.000.

Un problema astronòmic

El problema de la forma de les proteïnes és com tenir les peces de diversos cotxes en un taller i no poder veure mai els cotxes acabats ni en funcionament. Es pot saber quins tipus de cotxe es poden muntar, però no hi ha manera de saber a quina velocitat arribaran, si seran més o menys aerodinàmics, ni quant de combustible consumiran. De fet, es calcula que teòricament una proteïna qualsevol té fins a 10 elevat a 300 maneres possibles de plegar-se, de les quals, a la realitat, se n’acaba produint només una. Si s’anessin provant totes a l’atzar, es trigaria un temps superior a l’edat de l’univers per trobar la forma correcta.

Per esperonar la resolució d’aquest problema de dimensions astronòmiques, un grup d’investigadors va fundar el 1994 una competició que van anomenar CASP (Critical Assessment of Techniques for Protein Folding). Aquest concurs biennal s’ha convertit en les Olimpíades del plegament de les proteïnes, on competeixen els millors grups de recerca del món. DeepMind hi va entrar en la penúltima edició, en la qual ja va fer un bon paper. En l’última, ha destacat per sobre de tots els grups.

El sistema d’intel·ligència artificial AlphaFold, entrenat a partir d’una base de dades de 170.000 proteïnes amb formes conegudes, ha aconseguit predir la forma d’una centena de proteïnes amb una precisió de la mida d’un àtom. Entre aquestes proteïnes n’hi ha dues, l’Orf3 i l’Orf8, que formen part del nou coronavirus. Tal com ha expressat DeepMind en un comunicat, “la predicció de l’estructura de proteïnes pot ser útil en la resposta a futures pandèmies”. Efectivament, si es coneix la forma de les proteïnes d’un virus, d’un bacteri, o la de proteïnes responsables d’una malaltia, es poden dissenyar molt més ràpidament fàrmacs que les inhabilitin i guareixin la malaltia.

El 2016 DeepMind ja va aconseguir una fita que molts experts no consideraven possible: que una intel·ligència artificial derrotés el millor jugador de la història del go (un joc d’estratègia amb origen a la Xina de fa 2.500 anys). “Tot i que el problema de jugar a go és molt específic, la recerca que vam desenvolupar era tan general que vam poder desbloquejar molts altres problemes”, explica Oriol Vinyals, director d’investigació de deep learning a DeepMind. “I això és el més important del que estem investigant: crear solucions que transcendeixin més enllà del problema per al qual s’han desenvolupat”.