Inteligência Artificial resolve um problema de 50 anos da biologia – Peter Diamandis.

Graças à IA, acabamos de obter   ferramentas incrivelmente poderosas para decodificar a própria vida.

Em dois artigos recentes consecutivos, cientistas da DeepMind e da Universidade de Washington descreveram métodos baseados em aprendizado profundo para resolver o dobramento de proteínas – a última etapa da execução da programação em nosso DNA.

Por que isso importa?

Porque as proteínas são os blocos de construção da vida. Eles formam nossos corpos, alimentam nosso metabolismo e são o alvo da maior parte da medicina atual.

As proteínas começam como uma fita simples de aminoácidos, traduzida do DNA e, posteriormente, dobrada em arquiteturas tridimensionais intrincadas. Muitas unidades de proteína então se agrupam em complexos massivos e móveis que mudam sua estrutura dependendo de suas necessidades funcionais em um determinado momento.

E   proteínas mal dobradas podem ser devastadoras – causando problemas de saúde, desde anemia falciforme e câncer até o mal de Alzheimer.

No blog de hoje, discutiremos os detalhes desse avanço impulsionado pela IA e o que isso significa para o futuro da biologia e da medicina. Como nossa comunidade do A360 tem frequentemente discutido, o campo da biotecnologia está se acelerando e a próxima década trará avanços incalculáveis ​​e startups de vários US $ 100 bilhões.

Vamos mergulhar …

(Este artigo apareceu originalmente no SingularityHub por Shelly Fan, adotado por Peter Diamandis para sua Comunidade Abundance.)

“UMA VEZ EM UMA GERAÇÃO DE AVANÇO”

Um dos maiores desafios da biologia nos últimos 50 anos foi decifrar como uma estrutura simples em forma de fita unidimensional se transforma em formas 3D, equipada com cânions, cristas, vales e cavernas.

É como se um alienígena estivesse lendo as coordenadas de centenas de locais em um mapa do Grand Canyon em um caderno e reconstruindo-o em um holograma 3D da coisa real – sem nunca colocar os olhos nele ou saber como deveria ser. 

Sim, é difícil. “Muita gente quebrou a cabeça com isso”, disse o Dr. John Moult, da Universidade de Maryland.

Não é apenas um exercício acadêmico. Resolver o genoma humano pavimentou o caminho para a terapia genética, as descobertas do câncer CAR-T e a infame ferramenta de edição de genes CRISPR.

Decifrar o enovelamento de proteínas vai iluminar toda uma nova paisagem da biologia que não fomos capazes de estudar ou manipular

·        O desenvolvimento rápido e furioso das vacinas Covid-19 contou com a análise de vários alvos proteicos do vírus, incluindo as proteínas de pico que as vacinas visam. 

·        Muitas proteínas que levam ao câncer estão até agora fora do alcance das drogas porque sua estrutura é difícil de definir.

Com essas novas ferramentas de IA, os cientistas podem resolver mistérios médicos assustadores enquanto se preparam para enfrentar aqueles ainda desconhecidos. Elas, as ferramentas, preparam o terreno para compreender melhor nossa biologia, informando novos medicamentos e até mesmo inspirando a biologia sintética no futuro.

“O que a equipe DeepMind conseguiu alcançar é fantástico e mudará o futuro da biologia estrutural e da pesquisa de proteínas”, disse a Dra. Janet Thornton, diretora emérita do Instituto Europeu de Bioinformática. 

“Nunca pensei que veria isso em minha vida”, acrescentou Moult. 

NASCIMENTO DE UMA PROTEÍNA

Imagine a vida como um videogame. Se o DNA é o código básico de fundo, então as proteínas são sua execução – o jogo real que você joga. Quaisquer bugs no DNA podem causar uma falha no programa, mas também podem ser benignos e permitir que o jogo seja executado normalmente. Em outras palavras, a maioria da medicina moderna, como os jogadores, se preocupa apenas com a jogabilidade final – as proteínas – em vez do código-fonte que leva a ela, a menos que algo dê errado. De medicamentos para diabetes a antidepressivos e senolíticos potencialmente prolongadores de vida, todos esses medicamentos agem agarrando-se a proteínas em vez de DNA.

É por isso que decifrar a estrutura da proteína é tão importante: como uma chave para uma fechadura, uma droga só pode se acoplar a uma proteína em pontos específicos. Da mesma forma, as proteínas costumam se unir em um complexo para executar as funções do seu corpo – digamos, formando uma memória ou desencadeando um ataque imunológico contra um vírus.

As proteínas são feitas de blocos de construção chamados aminoácidos, que por sua vez são programados pelo DNA. Semelhante à pedra de Roseta, nossas células podem traduzir facilmente o código do DNA em blocos de construção de proteínas dentro de uma estrutura semelhante a uma concha, que emite uma cadeia de aminoácidos unidimensionais. Essas fitas são então embaralhadas por toda uma infraestrutura celular que permite que a proteína se enrole em sua estrutura final. 

Na década de 1970, o vencedor do Prêmio Nobel, Dr. Christian Anfinsen, afirmou que a própria sequência unidimensional pode prever computacionalmente a estrutura 3D de uma proteína. O problema é tempo e poder: como tentar hackear uma senha com centenas de caracteres suspensos no espaço 3D, as soluções potenciais são astronômicas. Mas agora temos uma ferramenta que vence os humanos na descoberta de padrões: o aprendizado de máquina (DL – deep learning)

ENTRE NA AI

Em 2020, DeepMind chocou todo o campo com sua entrada em uma competição bienal de legado. Apelidado de CASP (Avaliação crítica da previsão da estrutura da proteína), o teste de décadas usa métodos tradicionais de laboratório para determinar a estrutura da proteína como sua linha de base para julgar algoritmos de previsão.

A linha de base é difícil de obter. Ele se baseia em técnicas experimentais laboriosas que podem levar meses ou até anos. Esses métodos geralmente “congelam” uma proteína e mapeiam sua estrutura interna até o nível atômico usando raios-X. Muitas proteínas não podem ser tratadas desta forma sem perder sua estrutura natural, mas o método é o melhor que temos atualmente. As previsões são então comparadas a este padrão ouro para julgar o algoritmo subjacente.

No ano passado, a DeepMind surpreendeu a todos com sua IA tirando outros concorrentes da água. Na época, eles eram uma provocação, revelando poucos detalhes sobre seu método “incrivelmente empolgante” que correspondia aos resultados experimentais em precisão. Mas a apresentação de 30 minutos inspirou a Dra. Minkyung Baek, da Universidade de Washington, a desenvolver sua própria abordagem.

Baek usou uma estratégia de aprendizado profundo semelhante, descrita em um artigo na Science esta semana. A ferramenta, RoseTTAFold, considera simultaneamente três níveis de padrões. O primeiro examina os blocos de construção de aminoácidos de uma proteína e os compara com todas as outras sequências em um banco de dados de proteínas.

A ferramenta a seguir examina como os aminoácidos de uma proteína interagem com outra na mesma proteína, por exemplo, examinando a distância entre dois blocos de construção distantes. É como olhar para as mãos e os pés totalmente esticados em vez de dobrar para trás e medir a distância entre essas extremidades ao se “dobrar” em uma pose de ioga. 

Finalmente, a terceira faixa examina as coordenadas 3D de cada átomo que compõe um bloco de construção de proteína – tipo como mapear os pinos em um bloco de Lego – para compilar a estrutura 3D final. A rede então salta para frente e para trás entre essas trilhas, de modo que uma saída pode atualizar outra trilha.

Os resultados finais foram próximos aos da ferramenta da DeepMind, AlphaFold2, que combinou com o padrão ouro de estruturas obtidas em experimentos. Embora RoseTTAFold não fosse tão preciso quanto AlphaFold2, aparentemente exigia muito menos tempo e energia. Para uma proteína simples, o algoritmo foi capaz de resolver a estrutura usando um computador para jogos em cerca de 10 minutos

RoseTTAFold também foi capaz de resolver o problema da “montagem de proteínas”, na medida em que poderia prever a estrutura das proteínas, composta de unidades múltiplas, simplesmente olhando apenas para a sequência de aminoácidos. Por exemplo, eles foram capazes de prever como a estrutura de uma molécula imune se fixa em seu alvo. Muitas funções biológicas dependem desses apertos de mão entre as proteínas. 

Ser capaz de predizê-los usando um algoritmo abre a porta para a manipulação de processos biológicos – sistema imunológico, derrame, câncer, função cerebral – que antes não podíamos acessar.

HACKING THE BODY

Desde o lançamento público do RoseTTAFold em julho, ele foi baixado centenas de vezes, permitindo que outros pesquisadores respondessem às suas perguntas desconcertantes sobre a sequência de proteínas, economizando anos de trabalho e melhorando coletivamente o algoritmo.

“Quando há um avanço como este, dois anos depois, todo mundo está fazendo tão bem, senão melhor do que antes”, disse Moult.

Enquanto isso, a DeepMind também está lançando (para uso aberto e gratuito) seu código AlphaFold2 – aquele que inspirou Baek. 

Em um novo artigo na Nature, a equipe da DeepMind descreveu sua abordagem ao mistério de 50 anos. O ponto crucial era integrar múltiplas fontes de informação – a evolução de uma proteína e suas restrições físicas e geométricas – para construir um sistema de duas etapas que mapeia uma determinada proteína com uma precisão incrivelmente alta.

Apresentado pela primeira vez na reunião CASP, o Dr. Demis Hassabis, fundador e CEO da DeepMind, está pronto para compartilhar o código com o mundo. “Prometemos compartilhar nossos métodos e fornecer acesso amplo e gratuito à comunidade científica. Hoje damos o primeiro passo para cumprir esse compromisso, compartilhando o código-fonte aberto da AlphaFold e publicando a metodologia completa do sistema”, escreveu ele, acrescentando que “estamos entusiasmados para ver quais outros novos caminhos de pesquisa isso permitirá para a comunidade.”

Com os dois estudos, estamos entrando em um novo mundo de previsão – e, subsequentemente, engenharia ou mudança – os blocos de construção da vida

O Dr. Andrei Lupas, biólogo evolucionário do Instituto Max Planck de Biologia do Desenvolvimento e juiz do CASP, concorda: “Isso mudará a medicina. Isso vai mudar a pesquisa”, disse ele. “Isso vai mudar a bioengenharia. Isso vai mudar tudo.”

PENSAMENTOS FINAIS

Esta descoberta demonstra o impacto que a IA pode ter nas descobertas científicas.

E se juntarmos a solução da IA ​​para o problema de dobramento de proteínas com os avanços antecipados na computação quântica – outra tecnologia destinada a interromper a medicina e a saúde – não estaremos longe de um mundo onde individualmente personalizada, a medicina de precisão passará da ficção científica para o padrão de cuidado.

Em nenhum lugar a convergência da tecnologia exponencial traz maiores avanços do que na área da saúde.

Se você é um empreendedor ambicioso interessado em saúde e animado com o progresso que fizemos até agora, não há melhor momento para se envolver.

PARTICIPE DA MINHA COMUNIDADE 360

Se você deseja meu coaching como um empreendedor exponencial e para reforçar as mentalidades que irão inspirar e guiá-lo a criar um futuro promissor, atraente e abundante para você e a humanidade, então considere participar do meu programa de coaching Abundance360 durante todo o ano. 

Todos os anos, minha equipe e eu selecionamos um grupo de 360 ​​empresários e CEOs para treinar ao longo de um programa de um ano. Você pode ingressar a qualquer momento por um ano inteiro de treinamento pessoal em tecnologia exponencial, longevidade, fotos da lua e pensamento de abundância. 

Minha missão é ajudar os membros do A360 a obter domínio em quatro mentalidades específicas: uma mentalidade de abundância; uma mentalidade exponencial; uma mentalidade Moonshot; e uma mentalidade de longevidade. Juntos, selecionaremos e reforçaremos ativamente seus Mindsets preferidos.

Para saber mais e se inscrever no A360, visite abundance360.com

© PHD Ventures, 800 Corporate Pointe, Culver City, California, 90230, Estados Unidos

Compartilhe em suas Redes Sociais