El cómo se doblan las proteínas parece un extraño problema. Todo tiene que ver sobre cómo el ADN pone una secuencia de aminoácidos para que al juntarlos construyan una proteína, aunque todo esto está determinado por su orden. Una vez que la cadena proteica se ha formado se crea una estructura tridimensional que se parece a una pieza de cable que antes ha sido ya doblado y que «recuerda» la forma que tenía. La manera en que la proteína crea una imagen 3D se determina de una manera por demás compleja y bajo la influencia de la atracción de los diferentes aminoácidos. Los giros de la proteína en el espacio hacen que ciertos aminoácidos se atraigan fuertemente, minimizando el doblaje local de la estructura.
Por ello, si se tiene una cadena de aminoácidos, dada una secuencia de ADN, esto da una fórmula química de la proteína pero no su estructura tridimensional. El trabajar sobre esta forma 3D es el problema de doblaje de la proteína y es muy difícil. Y probablemente el entender esto lleve a una serie de aplicaciones, por ejemplo, en nuevos medicamentos, por lo cual esto lo hace un problema interesante e importante.
Los procedimientos de las optimizaciones convencionales son muy lentos y es entonces donde las redes neuronales pueden ayudar. DeepMind se unió a una competencia para predecir el doblaje de las proteínas usando un programa que llamó AlphaFold, que es una red neuronal. Los resultados sobrepasan lo que se hacía antes y por mucho.
La red neuronal aprendió, por ejemplo, a predecir propiedades como distancia entre pares de aminoácidos y los ángulos entre las uniones a partir de la secuencia de ADN. Esto parece sorprendente, porque lo que se tiene es una secuencia de aminoácidos lineal. Sin embargo, AlphaFold parece haber logrado esto.
Una vez que las propiedades físicas dan con los fragmentos de datos de estructuras de proteínas conocidas, se analizan para producir una forma en 3D que produzca las mismas propiedades. Una red neuronal generativa se entrena para generar nuevos fragmentos de proteínas que también son usados para mejorar la forma 3D. Se usa un segundo método en un intento de doblar la cadena entera que concuerde con las predicciones de las distancias y ángulos. Esto básicamente sirve como una manera de refinar los resultados.
Esta no es una aplicación obvia de la Inteligencia Artificial, pero es de esas cosas que bien podrían revolucionar el campo de la investigación clínica en el futuro, por decir lo menos. Lo notable quizás es el uso cada vez más frecuente de redes neuronales para atacar problemas complejos que hace algunos años se pensaban simplemente imposibles de atacar.