Desentrañando los secretos de autoensamblado en las máquinas de la vida: plegamiento de proteínas y Nobel de Química 2024

Barra lateral del artículo

PDF ePub HTML XML
Publicado: ene 24, 2025
DOI: https://doi.org/10.22201/fq.18708404e.2025.1.89902

Contenido principal del artículo

Rogelio Rodriguez-Sotres
Universidad Nacional Autónoma de México
https://orcid.org/0000-0002-9443-3207
Rodrigo Aguayo Ortíz
Departamento de Farmacia, Facultad de Química, UNAM
https://orcid.org/0000-0001-9455-5397

Resumen

En 2024, el premio Nobel de Química fue concedido a Demis Hassabis, John M. Jumper y David Baker por sus aportes a la predicción computacional del plegamiento y al diseño de proteínas. Sus desarrollos han contribuido a estudiar de modo más rápido y eficaz la función de estas moléculas biológicas que hacen el trabajo duro en los seres vivos. Formadas por 20 diferentes aminoácidos combinados en secuencias variables, cada proteína se pliega de una o más formas, según su secuencia, lo que determina su función en la célula. Aunque la secuencia de los aminoácidos codifica la forma final, el código no ha sido descifrado del todo y determinar la forma requiere de técnicas experimentales, laboriosas, caras y falibles. La genómica ha revelado más de 200 millones de secuencias naturales de aminoácidos, pero la Biología estructural ha resuelto apenas unas 220 mil estructuras. Hoy, la brecha se ha reducido, gracias al desarrollo de poderosas herramientas de Inteligencia Artificial (IA) por parte de los investigadores galardonados. Estos nuevos desarrollos han traído beneficios en el avance de la Medicina, la Farmacología, la Biotecnología y otras disciplinas. En México y el resto de Latinoamérica hay investigadores activos en el campo y el futuro es promisorio.

Detalles del artículo

Citas en Dimensions Service

Biografía del autor/a

Rogelio Rodriguez-Sotres, Universidad Nacional Autónoma de México

Nacido en México es Ingeniería Bioquímica en el ITESM (Tec de Monterrey, unidad Guaymas Son.), M. en C. y Dr. en Ciencias Químicas en la UNAM, bajo la dirección de la Dra. Rosario A. Muñoz Clares. Realizó trabajo posdoctoral de 2 años en el laboratorio del Dr. Michael Black, en el King's College de la Universidad de Londres, Inglaterra.

Desde 1993 es profesor de tiempo completo a la Facultad de Química de la UNAM y participa activamente en la docencia en la Facultad de Química y en el Posgrado de la UNAM. Ha participado en docencia en cursos en varias instituciones del Pais y ha desarrollado diversos materiales propios disponibles en línea. También ha desarrollado software para apoyo a la enseñanza.

Su trabajo de investigación se ha centrado en diversos aspectos del metabolismo de las plantas, particularmente relacionados con el desarrollo de las semillas y la nutrición. Cuenta con más de 50 publicaciones internacionales en revistas arbitradas, varios capítulos en libros y artículos de divulgación de la ciencia.  Ha participado ámpliamente en congresos de su especialidad, tanto nacionales como internacionales y  su producción refleja también su espíritu de colaboración con otros investigadores.  Gracias a lo que  sus conocimientos sobre enzimas y estructura de proteínas se ha aplicado a la obtención de compuestos bioactivos. Dentro de estas colaboraciones, participó en el desarrollo de un Biosensor fluorescente de la proteína Calmodulina con aplicaciones en la búsqueda de fármacos potenciales y que se patentó internacionalmente. Más recientemente, ha incursionado en los aspectos teóricos de la función y estructura de proteínas, lo que se refleja en su producción en el área de bioinformática estructural, particularmente en el modelado in silico de estructuras tridimensionales de proteínas. Además, ha contribuido a la formación de recursos humanos a nivel licenciatura, maestría y doctorado.

Es miembro de la Sociedad Mexicana de Bioquímica, de la Sociedad Americana de Biología de Plantas, pertenece al Sistema Nacional de Investigadores (Nivel II) y al Sistema de estímulos para la Productividad Académica de la UNAM (PRIDE, Nivel D). Ha formado parte del Comité Académico del Programa en Ciencias Bioquímicas y ha sido Consejero Electo del H. Consejo Técnico de la Facultad de Química.

Ha recibido financiamiento para su investigación del CONACyT, de la DGAPA-UNAM, de la Comunidad Económica Europea. También ha realizado investigación contratada financiada por las Industrias Allied-Domecq.

Rodrigo Aguayo Ortíz, Departamento de Farmacia, Facultad de Química, UNAM

Profesor titualr de la la Faculta de Química desde hace más de 4 años.

Es Dr. en Ciencias Químicas por la UNAM, ha realizado estancias posdoctorles en el estranjero y es autor de más de 50 publicaciones internacionales.

Crossref
Scopus
Google Scholar
Europe PMC

Citas

Abramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., Ronneberger, O., Willmore, L., Ballard, A. J., Bambrick, J., Bodenstein, S. W., Evans, D. A., Hung, C., O’Neill, M., Reiman, D., Tunyasuvunakool, K., Wu, Z., Žemgulytė, A., Arvaniti, E., . . . Jumper, J. M. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630(8016), 493-500. https://doi.org/10.1038/s41586-024-07487-w

Aguirre-Sampieri, S., Casañal, A., Emsley, P., y Garza-Ramos, G. (2024). Cryo-EM structure of bacterial nitrilase reveals insight into oligomerization, substrate recognition, and catalysis. Journal of Structural Biology, 216(2), 108093. https://doi.org/10.1016/j.jsb.2024.108093

AlQuraishi, M. (2019). AlphaFold at CASP13. Bioinformatics, 35(22), 4862–4865. https://doi.org/10.1093/bioinformatics/btz422

Anfinsen, C. B. (1973). Principles that govern the folding of protein chains. Science, 181(96), 223–230. https://doi.org/10.1110/ps.8.6.1166

Baek, M., DiMaio, F., Anishchenko, I., Dauparas, J., Ovchinnikov, S., Lee, G. R., Wang, J., Cong, Q., Kinch, L. N., Schaeffer, R. D., Millán, C., Park, H., Adams, C., Glassman, C. R., DeGiovanni, A., Pereira, J. H., Rodrigues, A. V., Van Dijk, A. A., Ebrecht, A. C., . . . Baker, D. (2021). Accurate prediction of protein structures and interactions using a three-track neural network. Science, 373(6557), 871-876. https://doi.org/10.1126/science.abj8754

Dill, K. A. (1999). Polymer principles and protein folding. Protein Science, 8(6), 1166–1180. http://dx.doi.org/10.1110/ps.8.6.1166

DiMaio, F., Leaver-Fay, A., Bradley, P., Baker, D., y André, I. (2011). Modeling symmetric macromolecular structures in Rosetta3. PLoS One, 6(6), e20450. https://doi.org/10.1371/journal.pone.0020450

González-Andrade, M., Mata, R., Madariaga-Mazón, A., Rodríguez-Sotres, R., del Pozo-Yauner, L., y Sosa-Peinado, A. (2013). Importance of the interaction protein–protein of the CaM–PDE1A and CaM–MLCK complexes in the development of new anti-CaM drugs. Journal of Molecular Recognition, 26(4), 165–174. http://dx.doi.org/10.1002/jmr.2261

Guzmán-Ocampo, D. C., Aguayo-Ortiz, R., Velasco-Bolom, J.-L., Gupta, P. L., Roitberg, A. E., y Dominguez, L. (2023). Elucidating the protonation state of the γ-Secretase catalytic dyad. ACS Chemical Neuroscience, 14(2), 261–269. https://doi.org/10.1021/acschemneuro.2c00563

Hartl, F. U., y Hayer-Hartl, M. (2009). Converging concepts of protein folding in vitro and in vivo. Nature Structural & Molecular Biology, 16(6), 574–581. https://doi.org/10.1038/nsmb.1591

Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Žídek, A., Potapenko, A., Bridgland, A., Meyer, C., Kohl, S. A. A., Ballard, A. J., Cowie, A., Romera‐Paredes, B., Nikolov, S., Jain, R., Adler, J., . . . Hassabis, D. (2021). Applying and improving AlphaFold at CASP14. Proteins Structure Function And Bioinformatics, 89(12), 1711-1721. https://doi.org/10.1002/prot.26257

Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Žídek, A., Potapenko, A., Bridgland, A., Meyer, C., Kohl, S. A. A., Ballard, A. J., Cowie, A., Romera-Paredes, B., Nikolov, S., Jain, R., Adler, J., . . . Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583-589. https://doi.org/10.1038/s41586-021-03819-2

Krishna, R., Wang, J., Ahern, W., Sturmfels, P., Venkatesh, P., Kalvet, I., Lee, G. R., Morey-Burrows, F. S., Anishchenko, I., Humphreys, I. R., McHugh, R., Vafeados, D., Li, X., Sutherland, G. A., Hitchcock, A., Hunter, C. N., Kang, A., Brackenbrough, E., Bera, A. K., . . . Baker, D. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, 384(6693). https://doi.org/10.1126/science.adl2528

Kuhlman, B., Dantas, G., Ireton, G. C., Varani, G., Stoddard, B. L., y Baker, D. (2003). Design of a novel globular protein fold with atomic-level accuracy. Science, 302(5649), 1364–1368. http://dx.doi.org/10.1126/science.1089427

León-González, J. A., Flatet, P., Juárez-Ramírez, M. S., y Farías-Rico, J. A. (2022). Folding and evolution of a repeat protein on the ribosome. Frontiers in Molecular Biosciences, 9, 851038. https://doi.org/10.3389/fmolb.2022.851038

Martínez-Castilla, L. P., y Rodríguez-Sotres, R. (2010). A score of the ability of a three-dimensional protein model to retrieve its own sequence as a quantitative measure of its quality and appropriateness. PLoS One, 5(9), e12483. https://dx.doi.org/10.1371/journal.pone.0012483

Mirdita, M., Schütze, K., Moriwaki, Y., Heo, L., Ovchinnikov, S., y Steinegger, M. (2022). ColabFold: Making protein folding accessible to all. Nature Methods, 19(6), 679-682. https://doi.org/10.1038/s41592-022-01488-1

Mittag, T., Kay, L. E., y Forman-Kay, J. D. (2010). Protein dynamics and conformational disorder in molecular recognition. Journal of Molecular Recognition, 23(2), 105-116. https://doi.org/10.1002/jmr.961

Ozden, B., Kryshtafovych, A., y Karaca, E. (2023). The impact of AI-based modeling on the accuracy of protein assembly prediction: Insights from CASP15. bioRxiv. https://doi.org/10.1101/2023.07.10.548341

Padilla-Mayne, S., Ovalle-Magallanes, B., Figueroa, M., Linares, E., Bye, R., Rivero-Cruz, I., González-Andrade, M., Aguayo-Ortiz, R., y Mata, R. (2024). Chemical analysis and antidiabetic potential of a decoction from Stevia serrataroots. Journal of Natural Products, 87(3), 501-513. https://doi.org/10.1021/acs.jnatprod.3c00711

Porta-Pardo, E., Ruiz-Serra, V., Valentini, S., y Valencia, A. (2022). The structural coverage of the human proteome before and after AlphaFold. PLoS Computational Biology, 18(1), e1009818. https://doi.org/10.1371/journal.pcbi.1009818

Rodríguez-Sotres, R. (2005). El descubrimiento de la ubiquitina y de su papel en la degradación de proteínas intracelulares. Educación Química, 16(1), 56-62.

Romero-Romero, S., Costas, M., Silva Manzano, D.-A., Kordes, S., Rojas-Ortega, E., Tapia, C., Guerra, Y., Shanmugaratnam, S., Rodríguez-Romero, A., Baker, D., Höcker, B., y Fernández-Velasco, D. A. (2021). The stability landscape of de novo TIM barrels explored by a modular design approach. Journal of Molecular Biology, 433(18), 167153. https://doi.org/10.1016/j.jmb.2021.167153

Schrittwieser, J., Antonoglou, I., Hubert, T., Simonyan, K., Sifre, L., Schmitt, S., Guez, A., Lockhart, E., Hassabis, D., Graepel, T., Lillicrap, T., y Silver, D. (2020). Mastering Atari, Go, chess and shogi by planning with a learned model. Nature, 588(7839), 604-609. https://doi.org/10.1038/s41586-020-03051-4

Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T., Lillicrap, T., Simonyan, K., y Hassabis, D. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419), 1140-1144. https://doi.org/10.1126/science.aar6404

Tunyasuvunakool, K., Adler, J., Wu, Z., Green, T., Zielinski, M., Žídek, A., Bridgland, A., Cowie, A., Meyer, C., Laydon, A., Velankar, S., Kleywegt, G. J., Bateman, A., Evans, R., Pritzel, A., Figurnov, M., Ronneberger, O., Bates, R., Kohl, S. A. A., ... y Hassabis, D. (2021). Highly accurate protein structure prediction for the human proteome. Nature, 596(7873), 590-596. https://doi.org/10.1038/s41586-021-03828-1

Varadi, M., Anyango, S., Deshpande, M., Nair, S., Natassia, C., Yordanova, G., Yuan, D., Stroe, O., Wood, G., Laydon, A., Žídek, A., Green, T., Tunyasuvunakool, K., Petersen, S., Jumper, J., Clancy, E., Green, R., Vora, A., Lutfi, M., ... y Velankar, S. (2022). AlphaFold protein structure database: Massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439-D444. https://doi.org/10.1093/nar/gkab1061

Varadi, M., Bertoni, D., Magana, P., Paramval, U., Pidruchna, I., Radhakrishnan, M., Tsenkov, M., Nair, S., Mirdita, M., Yeo, J., Kovalevskiy, O., Tunyasuvunakool, K., Laydon, A., Žídek, A., Tomlinson, H., Hariharan, D., Abrahamson, J., Green, T., Jumper, J., ... y Velankar, S. (2023). AlphaFold protein structure database in 2024: Providing structure coverage for over 214 million protein sequences. Nucleic Acids Research, 52(D1), D368-D375. https://doi.org/10.1093/nar/gkad1011

Licencia Creative Commons
Educación Química por Universidad Nacional Autónoma de México se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.
Basada en una obra en http://www.revistas.unam.mx/index.php/req.