El Premio Nobel de Química 2024 es para David Baker por el diseño computacional de proteínas y para Demis Hassabis y John M. Jumper por la predicción de la estructura de las mismas, informó este miércoles la Real Academia de las Ciencias Sueca.
El diseño computacional de proteínas es una rama interdisciplinaria que utiliza herramientas computacionales para crear y modificar proteínas con propiedades específicas o mejoradas. Este enfoque combina conocimientos de biología, química, física y ciencia de la computación con el objetivo de diseñar proteínas que puedan cumplir funciones biológicas o industriales específicas, tales como catalizar reacciones químicas, servir como fármacos o formar materiales con propiedades únicas.
Para ello se usan softwares específicos e incluso videojuegos, como Foldit que involucra a jugadores para ayudar a resolver problemas de plegamiento de proteínas, utilizando métodos basados en la mecánica de predicción estructural.
El diseño computacional de proteínas tiene un amplio rango de aplicaciones en biotecnología, medicina y ciencia de materiales, como el desarrollo de nuevos fármacos, la creación de catalizadores para aumentar la eficiencia y reducir el costo de la producción de químicos o combustibles, o el desarrollo de biomateriales con propiedades mecánicas específicas, como bioplásticos o materiales regenerativos.
Predicción de la estructura
Demis Hassabis y John M. Jumper, por su parte, han sido premiados por sus hallazgos en la predicción de la estructura de proteínas, proceso mediante el cual, a partir de la secuencia lineal de aminoácidos de una proteína, se busca determinar su estructura tridimensional, que es crucial para su función biológica. Este es uno de los desafíos fundamentales en la biología molecular, ya que la función de una proteína está estrechamente relacionada con su forma y cómo interactúa con otras moléculas.
La estructura tridimensional de una proteína es crítica para su función biológica, ya que las interacciones que realiza con otras moléculas dependen de su forma. Por ejemplo, las enzimas, que catalizan reacciones químicas, tienen sitios activos cuya forma y disposición de aminoácidos determinan su especificidad y eficiencia.
Entre los enfoques para predecir la estructura de una proteína, destacan los métodos basados en inteligencia artificial. Avances recientes en inteligencia artificial, como el algoritmo AlphaFold de DeepMind, han revolucionado el campo de la predicción de la estructura de proteínas. Estos sistemas utilizan redes neuronales profundas y grandes bases de datos de estructuras de proteínas para aprender patrones complejos y predecir con alta precisión cómo se plegará una proteína.
En cuanto a sus aplicaciones, esta ciencia es clave en el diseño de fármacos a partir del conocimiento de cómo se pliega una proteína y cuál es su estructura tridimensional, lo que permite a los científicos diseñar moléculas que se unan específicamente a la proteína de interés.
Asimismo, permite comprender enfermedades, como las neurodegenerativas, que están relacionadas con el mal plegamiento de proteínas y avanzar en su tratamiento.