{"id":27,"date":"2023-04-10T09:00:00","date_gmt":"2023-04-10T07:00:00","guid":{"rendered":"https:\/\/www.xarrupdeciencia.com\/?p=27"},"modified":"2025-08-09T12:52:22","modified_gmt":"2025-08-09T10:52:22","slug":"alphafold-i-la-revolucio-de-les-proteines","status":"publish","type":"post","link":"https:\/\/www.xarrupdeciencia.com\/index.php\/2023\/04\/10\/alphafold-i-la-revolucio-de-les-proteines\/","title":{"rendered":"AlphaFold i la revoluci\u00f3 de les prote\u00efnes"},"content":{"rendered":"\n

Les prote\u00efnes s\u00f3n mol\u00e8cules grans i complexes que realitzen una \u00e0mplia gamma de funcions en els organismes vius, des de catalitzar reaccions qu\u00edmiques fins a transportar mol\u00e8cules dins de les c\u00e8l\u00b7lules. Cada prote\u00efna est\u00e0 formada per una seq\u00fc\u00e8ncia \u00fanica d’amino\u00e0cids, que s’uneixen com perles en un collaret. La seq\u00fc\u00e8ncia d\u2019aquests amino\u00e0cids \u00e9s el que determina l’estructura tridimensional de la prote\u00efna final, que a la seva vegada determina quina ser\u00e0 la seva la seva funci\u00f3.<\/p>\n\n\n\n

Perqu\u00e8 ens entenguem, una prote\u00efna \u00e9s com aquells auriculars amb cable que deixem oblidats en alguna butxaca i queden plegats i entertolligats sobre si mateixos. Amb la difer\u00e8ncia que la prote\u00efna pot exercir la seva funci\u00f3 un cop est\u00e0 plegada, i els auriculars no tant. Tal com els cables dels auriculars es van embolicant i girant uns al voltant dels altres, els amino\u00e0cids que formen una prote\u00efna tamb\u00e9 es poden tor\u00e7ar i girar de moltes maneres. Aix\u00f2 dificulta entendre la seva estructura!<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Precisament, determinar l’estructura d’una prote\u00efna \u00e9s un pas cr\u00edtic per entendre la seva funci\u00f3, per\u00f2 tamb\u00e9 \u00e9s una tasca incre\u00efblement dif\u00edcil. De fet, es poden necessitar anys d’assaig i error per determinar l’estructura d’una sola prote\u00efna mitjan\u00e7ant m\u00e8todes experimentals com la cristal\u00b7lografia de raigs X o l’espectrosc\u00f2pia de resson\u00e0ncia magn\u00e8tica nuclear (RMN).<\/p>\n\n\n\n

Aqu\u00ed \u00e9s on entra en joc el protagonista d\u2019avui, AlphaFold. AlphaFold \u00e9s un algorisme d’aprenentatge profund desenvolupat per DeepMind, una empresa que va ser comprada per Google el 2014. Aquest algorisme anomenat AlphaFold va ser creat per predir l’estructura d’una prote\u00efna en funci\u00f3 de la seva seq\u00fc\u00e8ncia d’amino\u00e0cids. \u00c9s a dir, en funci\u00f3 de les peces que la conformen, per\u00f2 sense necessitat de tenir la prote\u00edna per estudiar-la. El programa \u00e9s capa\u00e7 de fer aquestes prediccions sobre plegament mitjan\u00e7ant una base de dades massiva que cont\u00e9 les estructures ja resoltes de prote\u00efnes conegudes, aix\u00ed com una varietat d’altres dades d\u2019inter\u00e8s.<\/p>\n\n\n\n

El programa funciona nom\u00e9s despr\u00e9s d\u2019haver estat entrenat amb aquest conjunt de dades d’estructures de prote\u00efnes conegudes que acabem de mencionar. M\u00e9s precisament, utilitza una xarxa neuronal profunda per identificar els patrons i les relacions entre les seq\u00fc\u00e8ncies d’amino\u00e0cids i les estructures de prote\u00efnes corresponents. Un cop s’ha entrenat la xarxa neuronal, es pot utilitzar per predir l’estructura d’una nova prote\u00efna basant-se \u00fanicament en la seva seq\u00fc\u00e8ncia d’amino\u00e0cids.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Una de les innovacions clau d’AlphaFold \u00e9s la forma en qu\u00e8 integra m\u00faltiples fonts de dades per fer les seves prediccions. A m\u00e9s de la seq\u00fc\u00e8ncia d’amino\u00e0cids, el programa t\u00e9 en compte una \u00e0mplia gamma d’altres dades, incloses les dist\u00e0ncies entre parells d’amino\u00e0cids de la cadena de prote\u00efnes, els angles entre els amino\u00e0cids adjacents i les posicions relatives de diferents parts de la prote\u00efna.<\/p>\n\n\n\n

Mitjan\u00e7ant aquest enfocament, AlphaFold \u00e9s capa\u00e7 de fer prediccions molt precises de l\u2019estructura d\u2019una prote\u00efna. De fet, amb un nivell de precisi\u00f3 que rivalitza o supera el de m\u00e8todes experimentals com la cristal\u00b7lografia de raigs X o l’espectrosc\u00f2pia RMN, que hem mencionat anteriorment. De fet, a l’experiment de predicci\u00f3 a cegues “CASP” del 2020, AlphaFold va poder predir l’estructura de gaireb\u00e9 totes les prote\u00efnes del conjunt de proves amb un nivell de precisi\u00f3 que era competitiu amb aquests m\u00e8todes experimentals, una gesta incre\u00efble.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Les implicacions d’aquest aven\u00e7 s\u00f3n molt importants. Amb la capacitat de predir l’estructura de les prote\u00efnes amb m\u00e9s precisi\u00f3 i efic\u00e0cia que mai, els cient\u00edfics poden ja obtenir nous coneixements sobre els mecanismes subjacents de molt\u00edssimes malalties i desenvolupar tractaments m\u00e9s efectius per a condicions com el c\u00e0ncer, l’Alzheimer i el VIH (virus causant de la SIDA).<\/p>\n\n\n\n

A m\u00e9s, la tecnologia darrere d’AlphaFold podria tenir implicacions m\u00e9s \u00e0mplies per al camp de la intel\u00b7lig\u00e8ncia artificial i l’aprenentatge autom\u00e0tic. El programa \u00e9s un bon exemple de com els algorismes d’aprenentatge profund es poden utilitzar per resoldre problemes cient\u00edfics complexos i podria obrir el cam\u00ed per a nous aven\u00e7os en una \u00e0mplia gamma de camps, des de la ci\u00e8ncia dels materials fins a la modelitzaci\u00f3 del clima.<\/p>\n\n\n\n

En general, AlphaFold representa un aven\u00e7 important en la nostra capacitat d’entendre i manipular els components de la vida. Tot i que les implicacions d’aquesta tecnologia encara s’estan explorant, t\u00e9 el potencial de capgirar completament com abordem actualment els problemes cient\u00edfics complexos en camps de la medicina o altres ci\u00e8ncies de la vida. De fet, de ben segur que ja heu sentit a parlar sobre altres algorismes basats en xarxes neuronals com el fam\u00f3s chatGPT. De fet, la versi\u00f3 m\u00e9s recent (versi\u00f3 4) de ChatGPT va aprovar l’examen de llic\u00e8ncia m\u00e8dica dels EUA amb molt bona nota nota. <\/p>\n\n\n\n

Agafem-nos fort que venen temps de canvis! Ens veiem a la propera entrada de Xarrup de Ci\u00e8ncia!
<\/strong><\/p>\n\n\n\n

Refer\u00e8ncies<\/strong><\/strong><\/p>\n\n\n\n

    \n
  • Senior, A.W., Evans, R., Jumper, J. et al. Improved protein structure prediction using potentials from deep learning. Nature 577, 706\u2013710 (2020). https:\/\/doi.org\/10.1038\/s41586-019-1923-7<\/li>\n\n\n\n
  • Estructura d\u2019una Ribokinasa al PDB: https:\/\/www.rcsb.org\/structure\/8CQX<\/li>\n\n\n\n
  • Portal web de deepmind: https:\/\/www.deepmind.com\/open-source\/alphafold<\/li>\n\n\n\n
  • Resultats del CASP: https:\/\/www.deepmind.com\/blog\/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology<\/li>\n\n\n\n
  • Article de Wired: How AI is Unlocking the Secrets of the Protein Universe” https:\/\/www.wired.com\/story\/how-ai-is-unlocking-the-secrets-of-the-protein-universe\/<\/li>\n\n\n\n
  • Informe t\u00e8cnic de GPT-4 arXiv:2303.08774 [cs.CL]. https:\/\/doi.org\/10.48550\/arXiv.2303.08774<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

    Les prote\u00efnes s\u00f3n mol\u00e8cules grans i complexes que realitzen una \u00e0mplia gamma de funcions en els organismes vius, des de catalitzar reaccions qu\u00edmiques fins a transportar mol\u00e8cules dins de les c\u00e8l\u00b7lules. Cada prote\u00efna est\u00e0 formada per una seq\u00fc\u00e8ncia \u00fanica d’amino\u00e0cids, que s’uneixen com perles en un collaret. La seq\u00fc\u00e8ncia d\u2019aquests amino\u00e0cids \u00e9s el que determina […]<\/p>\n","protected":false},"author":1,"featured_media":98,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[10],"class_list":["post-27","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-divulgacio","tag-alphafold-revolucio-proteines-ia-inteligencia-artificial"],"_links":{"self":[{"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/posts\/27","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/comments?post=27"}],"version-history":[{"count":1,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/posts\/27\/revisions"}],"predecessor-version":[{"id":31,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/posts\/27\/revisions\/31"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/media\/98"}],"wp:attachment":[{"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/media?parent=27"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/categories?post=27"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.xarrupdeciencia.com\/index.php\/wp-json\/wp\/v2\/tags?post=27"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}