Nella biologia uno dei problemi più difficili (e dispendiosi) da risolvere è predire il ripiegamento proteico partendo dalla sola sequenza di aminoacidi, visto che capire quale struttura tridimensionale prenderà una proteina – conoscendo solo la lunga lista di aminoacidi – richiede risorse computazionali enormi.
La soluzione di questo problema è fondamentale per la ricerca medica, perché la struttura 3D di una proteina può fare la differenza fra salute e malattia, o rendere un farmaco efficace o inutile. Una proteina malformata può portare a una patologia o alla morte di un organismo, e poiché numerose malattie sono collegate alle proteine, molti farmaci sono progettati proprio in base alle proteine target.
DeepMind, l’azienda di Google che ha realizzato sistemi come AlphaGo e AlphaZero, ha creato AlphaFold: un modello di intelligenza artificiale progettato appositamente per risolvere il problema del ripiegamento proteico (qui la ricerca su Nature, qui su Proteins e qui il codice scaricabile da Github). A dimostrazione della sua efficacia, nella competizione CASP (Critical Assessment of Structure Prediction) – che mira a trovare modelli in grado di avvicinarsi il più possibile alla soluzione del ripiegamento proteico – il sistema si è classificato primo ottenendo il miglior punteggio e staccando nettamente gli altri concorrenti.
Usare il deep learning per predire il ripiegamento delle proteine a costi contenuti potrebbe aprire nuove strade alla ricerca sulle malattie rare, per le quali ancora non sono state studiate tutte le molecole, aiutando lo sviluppo di farmaci più efficaci.
Per approfondire: AlphaFold: Using AI for scientific discovery
