Google DeepMind anunció el lanzamiento de AlphaProteo, un sistema de inteligencia artificial para ayudar a los investigadores biológicos y de salud a diseñar proteínas novedosas y de alta resistencia que se unan a moléculas objetivo con precisión y fuerza.
AlphaProteo recibió capacitación en el Banco de Datos de Proteínas (PDB) que permite avances en la ciencia y la educación al brindar acceso y herramientas para la exploración, visualización y análisis de estructuras 3D determinadas experimentalmente del archivo PDB.
Debido a la estructura de una molécula objetivo y un conjunto de ubicaciones de unión favoritas en esa molécula, AlphaProteo crea una proteína candidata que se une al objetivo.
El gigante tecnológico dijo que los aglutinantes tienen el potencial de abrir nuevas áreas de investigación en el desarrollo de fármacos y biosensores de diagnóstico.
“AlphaProteo puede generar nuevos aglutinantes proteicos para diversas proteínas objetivo, incluida la VEGF-A, que está asociada con el cáncer y las complicaciones de la diabetes. Esta es la primera vez que una herramienta de IA ha podido diseñar un aglutinante proteico exitoso para la VEGF-A”, dijeron los equipos de diseño de proteínas y laboratorio húmedo de Google DeepMind en una publicación de blog.
“AlphaProteo también logra tasas de éxito experimental más altas y afinidades de unión entre tres y 300 veces mejores que los mejores métodos existentes en siete proteínas objetivo que probamos”.
Para probar AlphaProteo, los desarrolladores de IA diseñaron aglutinantes para varias proteínas objetivo, incluidas “dos proteínas virales involucradas en la infección, BHRF1 y el dominio de unión al receptor de la proteína de pico del SARS-CoV-2, SC2RBD, y cinco proteínas involucradas en el cáncer, la inflamación y las enfermedades autoinmunes, IL-7Rɑ, PD-L1, TrkA, IL-17A y VEGF-A”.
La tasa de éxito de unión para un objetivo viral, BHRF1, fue del 88%, en promedio, diez veces mayor que los métodos tradicionales.
El equipo del laboratorio web Google DeepMind trabajó con grupos de investigación externos, incluidos investigadores del Instituto Francis Crick, donde los datos confirmaron que los aglutinantes AlphaProteo impidieron que el SARS-CoV-2 infectara las células humanas.
AlphaProteo demostró que podía reducir el tiempo necesario para los experimentos iniciales que involucran aglutinantes de proteínas para diversos usos.
Sin embargo, a pesar de los avances, los investigadores notaron que el sistema de IA tiene limitaciones.
Por ejemplo, AlphaProteo no generó aglutinantes exitosos para TNFa, una proteína asociada con enfermedades autoinmunes como la artritis reumatoide.
“Seleccionamos TNFɑ para desafiar de manera sólida a AlphaProteo, ya que el análisis computacional mostró que sería extremadamente difícil diseñar aglutinantes contra él. Continuaremos mejorando y expandiendo las capacidades de AlphaProteo con el objetivo de abordar en el futuro objetivos tan desafiantes”, escribieron los autores.
El equipo de investigación de AlphaProteo planea trabajar con la comunidad científica para observar el impacto de AlphaProteo en otros problemas biológicos para comprender mejor sus limitaciones.
Además, el equipo ha estado explorando su uso en el diseño de fármacos en Isomorphic Labs.
LA TENDENCIA MÁS GRANDE
En junio, Google Research y Google DeepMind publicó un artículo anunciando la creación de un nuevo LLM para el descubrimiento de fármacos y el desarrollo terapéutico denominado Tx-LLM, perfeccionado a partir de Med-PaLM 2.
El gigante tecnológico Med-PaLM 2 es una tecnología de inteligencia artificial generativa que utiliza los LLM de Google para responder preguntas médicas.
En Mayo, Un estudio realizado por Investigación de Google En colaboración con Google, DeepMind demostró que el gigante tecnológico amplió las capacidades de sus modelos de IA para Med-Gemini-2D, Med-Gemini-3D y Med-Gemini Polygenic.
Google afirmó que perfeccionó las capacidades de Med-Gemini utilizando datos de histopatología, dermatología, radiología 2D y 3D, genómica y oftalmología.
En 2023, Google lanzó ConLMdos modelos fundamentales basados en Med-PaLM 2, diseñados para responder preguntas médicas, generar información a partir de datos no estructurados y resumir información médica.
La empresa afirmó que al probar sus LLM con organizaciones de atención médica, aprendió que los modelos de IA más efectivos están diseñados para abordar casos de uso específicos.
Como resultado, el modelo grande de MedLM está diseñado para abordar tareas complejas, mientras que el otro es un modelo mediano que se puede ajustar y escalar para diversas tareas.
El Foro de Ciberseguridad Sanitaria de HIMSS está programado para el 31 de octubre y el 1 de noviembre en Washington, DC. Obtenga más información y regístrese.
