Dopo aver premiato, nella fisica, gli studi che hanno rivoluzionato l’apprendimento automatico e le reti neurali, oggi l’Accademia svedese ha celebrato un’altra applicazione straordinaria dell’intelligenza artificiale: la capacità di predire la struttura delle proteine e anche progettarle de novo.
David Baker, dell’Università of Washington, ha aperto una nuova frontiera progettando proteine completamente nuove, mentre Demis Hassabis e John Jumper di Google DeepMind, hanno sviluppato tecnologie basate sull’intelligenza artificiale per predire con grande precisione la struttura tridimensionale delle proteine a partire dalla loro sequenza di amminoacidi.
Le loro scoperte hanno risolto un enigma che ha impegnato ricercatrici e ricertori per oltre mezzo secolo e hanno permesso di accelerare lo sviluppo di farmaci, vaccini e materiali avanzati.
Il mistero delle proteine
Le proteine, si sa, sono i “mattoni” fondamentali della vita. Sono formate da catene di amminoacidi che si ripiegano in complesse strutture tridimensionali. Questa forma determina la loro funzione: alcune diventano enzimi che accelerano le reazioni chimiche, altre formano anticorpi, ormoni o parti strutturali del corpo come la pelle o i muscoli. Capire come le proteine assumano la loro struttura è stato un obiettivo centrale della biochimica per decenni.
Fino a poco tempo fa, determinare la forma tridimensionale di una proteina richiedeva tecniche laboriose come la cristallografia a raggi X. Tuttavia, il vero obiettivo era riuscire a predire la struttura della proteina direttamente dalla sequenza degli amminoacidi. Infatti, già dagli anni Sessanta era noto che il ripiegamento non è casuale, ma è “predeterminato” dalla sequenza di aminoacidi stessa. Eppure predire la struttura di una proteina partendo dalle leggi fisico-chimiche che ne governano il ripiegamento si è rivelato molto più difficile del previsto, anche con i computer.
AlphaFold2 rivoluziona la predizione delle proteine
Tutto cambia nel 2020 con AlphaFold2, il modello di intelligenza artificiale sviluppato da Demis Hassabis e John Jumper di Google DeepMind. Utilizzando reti neurali avanzate, AlphaFold2 è stato addestrato su un database di strutture proteiche conosciute (ricavate sperimentalmente grazie alla cristallografia a raggi X) e le loro sequenze di aminoacidi. In questo modo è stato possibile identificare dei pattern da cui predire con grande precisione la forma tridimensionale delle proteine.
AlphaFold2 si basa su reti neurali chiamate transformer, capaci di analizzare enormi quantità di dati e in maniera più efficiente rispetto alla prima versione del modello. Grazie a questo approccio, AlphaFold2 è stato in grado di predire la struttura di quasi tutte le proteine conosciute, superando il 90% di accuratezza in molti casi, un livello paragonabile a quello delle tecniche sperimentali.
David Baker: progettare proteine dal nulla
All’inizio, anche Baker studiava come predire la struttura delle proteine, e per farlo negli anni Novanta aveva sviluppato il software Rosetta (dal nome della famosa stele). Il programma otteneva buoni risultati per la tecnologia dell’epoca, così Baker penso di usarlo “al contrario”, ovvero stabilire a priori le caratteristiche di una proteina e ottenere la possibile sequenza di aminoacidi in grado di generarla.
Fino a quel momento il protein design si era basato sulla modifica di proteine note, ma l’approccio di Baker dava invece la possibilità di crearne su misura di completamente nuove. Come dice Baker:
Se vuoi costruire un aeroplano, non inizi modificando un uccello; piuttosto cerchi di capire i principi dell'areodinamica, e partendo da questi costruisci macchine volanti
Nel 2003, Baker e il suo team hanno creato Top7, la prima proteina progettata interamente al computer, con una struttura mai vista prima in natura. Il team ha costruito un gene capace di sinterizzarla e l’ha inserita in un batterio, che ha prodotto la proteina con la struttura attesa. Questo è stato il primo passo di una serie di creazioni spettacolari: proteine progettate per assemblarsi in nanoparticelle, rilevare agenti chimici come il fentanyl o creare nuovi vaccini per malattie come l’influenza.
I maggiori benefici per l’umanità
Con un premio di 11 milioni di corone svedesi (circa 968mila euro, di cui la metà vanno a Baker e l’altra metà ad Hassabis e Jumper) il Premio Nobel per la Chimica 2024 celebra scoperte che non solo rivoluzionano la biochimica, ma promettono di trasformare settori come la medicina, la biotecnologia e la chimica sostenibile.
L’impatto di AlphaFold2 sviluppato Hassabis e Jumper è stato straordinario: prima ci volevano anni per determinarne la struttura di una proteina, ora bastano pochi minuti. E le implicazioni sono enormi. La comprensione della struttura delle proteine, infatti, permette di studiare meglio le malattie, sviluppare nuovi farmaci e affrontare problemi globali come la resistenza agli antibiotici o la decomposizione dei rifiuti plastici.
L’AlphaFold Protein Structure Database, creato da Google DeepMind, contiene ora le strutture di oltre 200 milioni di proteine, ed è già diventato una risorsa fondamentale per ricercatori di tutto il mondo, accelerando lo sviluppo di soluzioni innovative in campo medico e industriale.
Anche la capacità di creare proteine personalizzate, che oggi usa anche le potenzialità della IA, ha già avuto un impatto sulla progettazione di nuovi farmaci, materiali avanzati e biotecnologie. Le applicazioni future sono pressoché illimitate: dall’ingegneria biomedica alla creazione di sensori molecolari, fino a soluzioni per la sostenibilità ambientale.
