– DeepMind anunció AlphaFold 3, la última versión de su proyecto de plegamiento de proteínas para predecir cómo se pliegan las proteínas en función de secuencias de aminoácidos.
– Las proteínas se pliegan como un ‘origami’ en estructuras tridimensionales que determinan sus funciones, y un plegamiento incorrecto puede contribuir a enfermedades como el Alzheimer y el Parkinson.
– AlphaFold 3 utiliza el aprendizaje profundo para predecir estructuras de proteínas y ha evolucionado para incorporar interacciones de ADN, ARN y moléculas pequeñas, con aplicaciones en el diseño de fármacos y una plataforma AlphaFold Server fácil de usar para investigadores.
DeepMind presentó recientemente AlphaFold 3, la última versión de su proyecto de plegamiento de proteínas, que predice cómo se pliegan las proteínas en función de sus secuencias de aminoácidos. Las proteínas se pliegan en estructuras tridimensionales como “origami”, lo que afecta sus funciones. Comprender el plegamiento de las proteínas es crucial en bioquímica y biología molecular, ya que las proteínas son esenciales para la vida y pueden plegarse mal, provocando enfermedades como el Alzheimer y el Parkinson.
AlphaFold utiliza el aprendizaje automático para simular el plegamiento de proteínas, abordando el desafío de predecir la estructura correcta debido a la gran cantidad de configuraciones posibles. AlphaFold 3 presenta un módulo Evoformer mejorado y una red de difusión para ensamblar estructuras predichas con precisión. El modelo abarca no sólo proteínas sino también ADN, ARN y moléculas pequeñas, lo que mejora sus aplicaciones en diversos campos.
El proyecto AlphaFold comenzó en 2016 y ha evolucionado con versiones como AlphaFold 1 y AlphaFold 2, que lograron una alta precisión en las predicciones de la estructura de las proteínas. La última versión, AlphaFold 3, continúa superando los límites en el descubrimiento y análisis de proteínas. La base de datos de estructura de proteínas AlphaFold, lanzada en asociación con EMBL-EBI, proporciona acceso a más de 350.000 predicciones de estructuras de proteínas, lo que beneficia a investigadores de diversos campos en todo el mundo. Con más de un millón de usuarios en 190 países, la base de datos ha facilitado descubrimientos en medicina, agricultura y más.