{"id":52721,"date":"2023-03-17T11:12:44","date_gmt":"2023-03-17T17:12:44","guid":{"rendered":"http:\/\/mickyandoniehn.com\/radio\/2023\/03\/17\/la-ia-de-meta-predice-la-estructura-de-mas-de-740-millones-de-proteinas\/"},"modified":"2023-03-17T11:12:44","modified_gmt":"2023-03-17T17:12:44","slug":"la-ia-de-meta-predice-la-estructura-de-mas-de-740-millones-de-proteinas","status":"publish","type":"post","link":"http:\/\/mickyandoniehn.com\/radio\/2023\/03\/17\/la-ia-de-meta-predice-la-estructura-de-mas-de-740-millones-de-proteinas\/","title":{"rendered":"La IA de Meta predice la estructura de m\u00e1s de 740 millones de prote\u00ednas"},"content":{"rendered":"<\/p>\n<p><strong>Redacci\u00f3n Ciencia<\/strong>\u00a0\u2013 Las prote\u00ednas, piezas fundamentales de la vida, tienen una forma tridimensional \u00fanica y determinarla supone un reto, por lo que la inteligencia artificial (IA) es clave. ESMFold, el sistema desarrollado por Meta, ha logrado ya predecir la estructura de m\u00e1s de 740 millones de estas mol\u00e9culas.<\/p>\n<p>Este atlas metagen\u00f3mico de Meta, que se dio a conocer en noviembre de 2022 y que ahora se ampl\u00eda, incluye estructuras de prote\u00ednas de microorganismos, como bacterias y virus, que a\u00fan no se han caracterizado, lo que abre la puerta a acelerar nuevos descubrimientos en campos como la medicina, la qu\u00edmica verde o energ\u00edas renovables.<\/p>\n<p>La inteligencia artificial desarrollada por Meta para este fin se llama ESMFold y est\u00e1 basada en modelos de lenguaje. Normalmente, estos se utilizan para predecir textos a partir de un conjunto de palabras pero, en este caso, sirven para autocompletar secuencias de prote\u00ednas y revelar la estructura 3D de millones de estas, incluso de muchas desconocidas.<\/p>\n<p>Meta dio a conocer los primeros datos de este atlas con la predicci\u00f3n de estructuras de m\u00e1s de 617 millones de prote\u00ednas en noviembre del pasado a\u00f1o y lo public\u00f3 en la plataforma bioRxiv, pero a\u00fan estaba pendiente de la revisi\u00f3n por pares -el escrutinio de otros cient\u00edficos y su publicaci\u00f3n en una revista-.<\/p>\n<p>Hoy publica esos datos en un art\u00edculo en Science, que describe que del total de prote\u00ednas incluidas, 225 millones se consideran \u00abpredicciones de alta confianza\u00bb.<\/p>\n<p>En la actualidad, el atlas se ha ampliado hasta m\u00e1s de 740 millones de prote\u00ednas, seg\u00fan han se\u00f1alado a EFE fuentes de Meta. Estas predicciones adicionales fueron completadas por ESMFold en solo seis d\u00edas.<\/p>\n<p>Del mismo modo que los grandes modelos ling\u00fc\u00edsticos pueden aprender patrones en las lenguas sin supervisi\u00f3n expl\u00edcita, los autores del estudio demuestran que tambi\u00e9n pueden aprender patrones evolutivos subyacentes a las secuencias de las prote\u00ednas, resume la revista.<\/p>\n<p>Seg\u00fan los autores, ESMFold puede realizar predicciones precisas de la estructura de las prote\u00ednas 60 veces m\u00e1s r\u00e1pido que otros enfoques.<\/p>\n<p>Las prote\u00ednas, mol\u00e9culas complejas y din\u00e1micas, codificadas por nuestros genes, son responsables de muchos de los variados y fundamentales procesos de la vida. Son cadenas de cientos de amino\u00e1cidos y la secuencia de estos determina la estructura tridimensional \u00fanica de cada una de ellas.<\/p>\n<p>Es esta estructura la que las lleva a encajar unas en otras y la que define lo que hacen y c\u00f3mo lo hacen. Conocerla supone, en definitiva, entender el funcionamiento de la c\u00e9lula y del organismo humano.<\/p>\n<p>Determinar experimentalmente las estructuras tridimensionales de cientos de millones de prote\u00ednas est\u00e1 muy lejos del alcance de t\u00e9cnicas de laboratorio que requieren mucho tiempo, como la cristalograf\u00eda de rayos X. Los enfoques computacionales pueden dar una visi\u00f3n de las prote\u00ednas que no es posible con las t\u00e9cnicas experimentales.<\/p>\n<p>El \u00abAtlas Metagen\u00f3mico ESM\u00bb -con datos en abierto- permitir\u00e1 a los cient\u00edficos buscar y analizar las estructuras de las prote\u00ednas a escala de cientos de millones de prote\u00ednas, lo que puede ayudar a identificar estructuras que no se han caracterizado antes y descubrir nuevas prote\u00ednas que pueden ser \u00fatiles en medicina y otras aplicaciones, resumi\u00f3 en 2022 Meta.<\/p>\n<p>ESMFold muestra c\u00f3mo la IA puede ofrecer nuevas herramientas para entender el mundo natural.<\/p>\n<p>El \u00ablenguaje\u00bb de las prote\u00ednas ha eludido incluso las herramientas computacionales m\u00e1s potentes y \u00abla IA tiene el potencial de abrir este a nuestra comprensi\u00f3n\u00bb.<\/p>\n<p>ESMFold no es la \u00fanica IA presente en la biolog\u00eda. Por ejemplo, Google anunci\u00f3 en julio de 2022 que su sistema AlphaFold hab\u00eda llegado a predecir la estructura de casi todas las prote\u00ednas conocidas y catalogadas por la ciencia -200 millones-.\u00a0<strong><em>EFE<\/em><\/strong><\/p>\n<p><strong>Fuente: Proceso Digital<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Redacci\u00f3n Ciencia\u00a0\u2013 Las prote\u00ednas, piezas fundamentales de la vida, tienen una forma tridimensional \u00fanica y determinarla supone un reto, por lo que la inteligencia artificial (IA) es clave. ESMFold, el sistema desarrollado por Meta, ha logrado ya predecir la estructura de m\u00e1s de 740 millones de estas mol\u00e9culas. Este atlas metagen\u00f3mico de Meta, que se &hellip;<\/p>\n","protected":false},"author":0,"featured_media":52722,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[5],"tags":[],"class_list":["post-52721","post","type-post","status-publish","format-standard","has-post-thumbnail","","category-noticias"],"jetpack_sharing_enabled":true,"jetpack_featured_media_url":"http:\/\/mickyandoniehn.com\/radio\/wp-content\/uploads\/2023\/03\/proteinas-696x392-WY7N3F.jpeg","_links":{"self":[{"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/posts\/52721","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/comments?post=52721"}],"version-history":[{"count":0,"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/posts\/52721\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/media\/52722"}],"wp:attachment":[{"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/media?parent=52721"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/categories?post=52721"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/mickyandoniehn.com\/radio\/wp-json\/wp\/v2\/tags?post=52721"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}