STEM

[puede ser]

DotCSV Lab | ¡EVENTO TESLA en 10 MINUTOS! Anuncio del CYBERCAB en Español

Saludos.

https://www.eleconomista.es/tecnologia/noticias/13038682/10/24/hemos-sido-enganados-descubren-que-el-robot-humanoide-de-musk-en-realidad-era-controlado-por-una-persona.html

Hemos sido engañados: descubren que el robot humanoide de Musk en realidad era controlado por una persona

[Cadavre Exquis]

Premio Nobel de Física: John Hopfield y Geoffrey Hinton por el aprendizaje automático con redes de neuronas artificiales

Por Francisco R. Villatoro, el 8 octubre, 2024

La inteligencia artificial es el campo más revolucionario en la actualidad. Si Alfred Nobel estuviera vivo, con seguridad concedería un Nobel a este campo. Y siguiendo su estela, la Academia Sueca galardona a dos de los padres (aún vivos) del aprendizaje automático mediante redes de neuronas artificiales, el estadounidense John J. Hopfield (91 años), Universidad de Princeton, Estados Unidos, y el británico Geoffrey E. Hinton (76 años), Universidad de Toronto (y Google), Canadá. Quizás algún ignorante te diga que el físico Hopfield no merece el galardón de Física, aunque haya recibido la Medalla Dirac (2001), la Medalla Boltzmann (2022) y otros galardones para físicos. De hecho, Hopfield hubiera sido mejor compañía para Parisi que Manabe y Hasselmann en el Nobel de Física de 2021. La Academia Sueca ha decidido que le acompañe Hinton, que no es físico, pero que es un todoterreno, que ha recibido premios como el Turing (2018) y el Princesa de Asturias (2022). Un premio al abuelo de la IA, padre de la biofísica de la red de Hopfield, que queda redondeado gracias al padrino de la IA, padre de la biofísica del aprendizaje gracias a la máquina de Boltzmann, su versión estocástica.

En 1982, Hopfield era un físico de 49 años que se había reconvertido en biofísico (biólogo teórico) interesado en los sistemas complejos, como el cerebro y los vidrios de espines. Propuso un modelo de red de neuronas artificiales con un paisaje energético que actuaba como memoria asociativa. En 1986, Hinton aplicó los principios de la física estadística a la red de Hopfield, con objeto de modelar el aprendizaje de patrones visuales, en el contexto del reconocimiento y la clasificación de imágenes. Ambos trabajos tuvieron tal impacto en la década de la quinta generación japonesa que yo estudié sus contribuciones durante mi carrera de informática (c. 1990), en el contexto de los modelos computacionales. Lo que la inteligencia artificial no logró en dicha década prodigiosa, con la llegada del invierno de la década de los 1990, se ha logrado en este siglo y, en especial, en esta última década. La inteligencia artificial basada en redes de neuronas artificiales, en gran parte inspiradas en el trabajo de Hopfield y bajo la batuta de Hinton, ya es una tecnología transparente (invisible) que está en todas partes. Además, en el último lustro se ha hecho visible en nuestra vida cotidiana gracias a las IA generativas. La revolución de ChatGPT y sus primas tenía que ser premiada con un Nobel y qué mejor año que 2024.


La física es una herramienta que ha revolucionado la inteligencia artificial gracias a los trabajos de Hopfield y Hinton, entre otros. Y ahora la inteligencia artificial está revolucionando la física, pues ya es sinónimo de análisis estadístico avanzado de datos (experimentales, observacionales y computacionales). El anuncio oficial del Nobel en YouTube, Nota de Prensa [PDF], Popular Information [PDF], y Scientifc Background [PDF]. Recomiendo leer a Miguel Ángel Criado, «Premio Nobel de Física 2024 a John Hopfield y Geoffrey Hinton por poner las bases de la inteligencia artificial», Materia, El País, 08 oct 2024; «Nobel de Física 2024 para dos pioneros en redes neuronales artificiales», Agencia SINC, 08 oct 2024. En inglés puedes disfrutar de Elizabeth Gibney, Davide Castelvecchi, «Physics Nobel scooped by machine-learning pioneers,» News, Nature, 08 oct 2024.

Los artículos premiados según la información Nobel son: [1]  J. J. Hopfield, «Neural networks and physical systems with emergent collective computational abilities,» PNAS 79: 2554-2558 (15 Apr 1982), doi: https://doi.org/10.1073/pnas.79.8.2554; [2] John J. Hopfield, David W. Tank, «Computing with Neural Circuits: A Model,» Science 233: 625-633 (1986), doi: https://doi.org/10.1126/science.3755256; [3] Scott E. Fahlman, Geoffrey E. Hinton, «Massively Parallel Architectures for Al: NETL, Thistle, and Boltzmann Machines,» In: Proceedings of the AAAI-83 conference, Washington D.C. (1983), PDF; [4] D.H. Ackley, G.E. Hinton, T.J. Sejnowski, «A learning algorithm for Boltzmann machines,» Cognitive Science 9: 147-169 (1985), doi: https://doi.org/10.1016/S0364-0213(85)80012-4; [5] David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams, «Learning representations by back-propagating errors,» Nature 323: 533-536 (1986), doi: https://doi.org/10.1038/323533a0; [6] Geoffrey E. Hinton, «Training Products of Experts by Minimizing Contrastive Divergence,» Neural Computation 14: 1771-1800 (2002), doi: https://doi.org/10.1162/089976602760128018.

Las redes de neuronas artificiales se inspiran en las redes de neuronas biológicas (Warren McCulloch y Walter Pitts, 1943). Están formadas por un conjunto de «neuronas» (nodos de cálculo descritos por cierta función de activación) conectadas por un conjunto de «sinapsis» (acoplamientos ponderados descritos por una matriz de números). Se llama aprendizaje (o entrenamiento) a la estimación de los «pesos sinápticos» para que «memoricen» un conjunto de datos de entrada (Donald Hebb, 1949). Las redes formadas por varias capas permitían reconocer patrones en imágenes, como dígitos manuscritos (Frank Rosenblatt, 1957). Pero estas redes directas (sin recurrencia) tenían un poder computacional limitado (no eran un sistema universal de cálculo); por ejemplo, eran incapaces de aprender la función o-exclusivo (XOR), la suma sin acarreo de números binarios (Marvin Minsky y Seymour Papert, 1969).

Los genios como John Hopfield están dotados de un sexto sentido, que les permite trabajar en un problema hasta dar con una solución aceptable, para luego abandonar dicho tema en manos de otros y ponerse a trabajar en otro problema sin ninguna relación con el anterior. Las contribuciones de Hopfield en los 1970 sobre la transferencia de electrones en macromoléculas y en el análisis de reacciones bioquímicas le convirtieron en famoso en el campo de la biofísíca (o física biológica). Pero en 1980, decidió abandonar su plaza de profesor en la Universidad de Princeton para ocupar una plaza en la otra costa, en el CalTech (Instituto Tecnológico de California), hasta 1997 (para más tarde retornar a Princeton). Le atraía del CalTech la posibilidad de usar ordenadores no disponibles en Princeton, le atraía la física computacional y los modelos computacionales.

En 1982, Hopfield publicó en PNAS [1] un nuevo modelo de red de neuronas recurrente (hoy llamado red de Hopfield). Su inspiración fue el modelo del campo molecular de Weiss (1907), el modelo de espines de Ising (1925), la memoria de contenido direccionable de Kramers y Wannier (1941), y la neurona artificial de McCulloch y Pitts (1943). Su red está formada por N nodos binarios s_i \in {0, 1} conectados a pares s_i y s_j por pesos simétricos w_{ij} = w_{ji}; estos valores se actualizan cada cierto tiempo aleatorio, para ello se calcula una función de activación h_i = \sum_{j\ne i} w_{ij}\,s_j, tal que s_i = 1, si h_i> 0, y s_i = 0, en otro caso. La red tiene asociada una función de energía, E = - \sum_{i<j} w_{ij}\,s_i\,s_j, que resulta ser monótona decreciente bajo dicha actualización. Como anécdota, esta primera red de Hopfield tenía unas 30 neuronas conectadas por 435 pesos sinápticos (se usaba un ordenador que no podría almacenar más de 100 neuronas); hoy en día los grandes modelos de lenguaje (LLMs) usan hasta un billón (millón de millones) de pesos sinápticos.

La dinámica de la red de Hopfield se suele ilustrar con un paisaje energético con una serie de mínimos locales con estados estacionarios asociados; dichos mínimos representan los patrones almacenados en la red como memoria asociativa (la letra J en este ejemplo). Estos mínimos son aprendidos en la fase de entrenamiento usando la regla de Hebb (1949). Cuando se introduce un patrón de entrada (la letra J con ruido) el estado del sistema desciende por el paisaje energético hasta alcanzar un mínimo local (que en este caso coincide con el patrón almacenado de la letra J).

La red de Hopfield tiene muchas limitaciones prácticas. Por ejemplo, el número de patrones que puede almacenar está muy limitado (aunque hay técnicas para aliviar este problema). Pero destaca el problema de los mínimos locales espurios, que no representan ningún patrón almacenado; la dinámica de la red siempre converge a un mínimo, pero solo de forma excepcional converge a uno que representa un patrón entrenado. De hecho, cada patrón tiene una cuenca de atracción que hace que solo se converja a dicho patrón cuando la entrada está en dicha cuenca (cuyos bordes son muy irregulares, lo que lleva a sorpresas a veces inesperadas en el funcionamiento práctico de la red). En los 1980 se usaron técnicas de física estadística para entender el comportamiento de esta red; un buen resumen en el libro de Marc Mezard, Giorgio Parisi y Miguel Ángel Virasoro, «Spin glass theory and beyond: An introduction to the replica method and its applications,»World Scientific (1987).

Como buen físico, Hopfield desarrolló implementaciones físicas de su red de neuronas artificiales; la más famosa la publicó en Science, usando un circuito eléctrico con amplificadores operacionales, con resonadores RC para emular las neuronas artificiales (John J. Hopfield, David W. Tank, «Computing with Neural Circuits: A Model,» Science 233: 625-633 (1986), doi: https://doi.org/10.1126/science.3755256). Sin entrar en muchos detalles, las ecuaciones de los circuitos son muy parecidas a las de la red de Hopfield: C_j du_i/dt = \sum_{j=1}^N T_{ij}\,V_j - u_i/R_i + I_i, con V_j = g_j(u_j) (J. J. Hopfield, «Neurons with graded response have collective computational properties like those of two-state neurons,» PNAS 81: 3088-3092 (15 May 1984), doi: https://doi.org/10.1073/pnas.81.10.3088; J. J. Hopfield, D.W. Tank,  «“Neural” computation of decisions in optimization problems,» Biological Cybernetics 52: 141-152 (1985), doi: https://doi.org/10.1007/BF00339943).

La idea de que la dinámica se podía representar mediante un paisaje energético facilitó que la red de Hopfield se volviera muy popular y muy inspiradora. Además, Hopfield y Tank (1985) mostraron que se podían resolver muchos problemas de optimización usando estas redes. Para evitar los mínimos locales se podía recurrir a la técnica de recocido simulado de Kirpatrick, Gelatt y Vecchi (1983) que asociaba una temperatura efectiva que determinaba el grado de aleatoriedad en la dínámica. Dicho método tenía la ventaja de que se podía aplicar a implementaciones analógicas con circuitos de la red

Entre 1983 y 1985, Geoffrey Hinton, junto con Terrence Sejnowski y otros colegas desarrollaron una versión estocástica de la red de Hopfield, bautizada máquina de Boltzmann; como suele ser habitual en informática y en inteligencia artificial publicaron sus primeros artículos en conferencias científicas, lo que no quita que las fotocopias de dichos artículos corrieran como la pólvora entre los investigadores en redes de neuronas artificiales de todo el mundo. En la máquina de Boltzmann el vector de estado de la red {\bf s} = (s_1, \ldots, s_N) tiene asociada a una distribución de probabilidad de Boltzmann, P({\bf s}) \propto e^{-E/T}, con E = -\sum_{i<j} w_{ij}\,s_i\,s_j - \sum_i \theta_i\,s_i, donde T es la temperatura y \theta_i es un campo local.

La gran diferencia con la red de Hopfield es que la máquina de Boltzmann es un modelo generativo. Además, almacena distribuciones estadísticas de patrones, en lugar de patrones individuales. Gracias a la existencia de nodos (neuronas) ocultas puede describir distribuciones de probabilidad generales. Hinton y sus colegas desarrollaron un algoritmo de aprendizaje (entrenamiento) basado en el algoritmo del gradiente que era muy eficiente (en comparación con el usado para la red de Hopfield).

La red de Hopfield y la máquina de Boltzmann son redes de neuronas recurrentes. El gran avance de Hinton y sus colegas fue el algoritmo de retropropagación (back-propagation) de errores para redes directas (no recurrentes), el nacimiento del llamado aprendizaje profundo (deep learning). Lo publicaron en la revista Nature en 1986, siendo uno de los artículos más citados del campo de la inteligencia artificial. La idea de David Rumelhart, Hinton y Ronald Williams fue comparar los patrones a aprender con la salida de la red para obtener una estimación del error que se propaga hacia atrás modulando los pesos sinápticos de una conjunto de capas de neuronas; se llaman capas ocultas a las que están entre la capa de entrada y la de salida. El procedimiento era muy sencillo de implementar y tuvo un enorme impacto.

Las redes de neuronas convolucionales multicapa no tardaron en llegar, LeCun et al. (1989), ver también LeCun et al. (1998). La futura revolución del aprendizaje profundo en el siglo XXI ya estaba en marcha. Las redes de neuronas artificiales empezaron a usarse para todo (en especial, en biomedicina, donde las preferidas eran redes de pequeño tamaño para resolver problemas muy sencillos, pero que requerían conocimiento experto). El campo explotó y describir todos los avances raya lo imposible. Como no puede ser de otra forma, la información Nobel destaca otro gran avance de Hinton relacionado con la física, la máquina de Boltzmann recurrente de 2002. Pero se podrían citar muchos otros trabajos, pues Hinton se convirtió en la gran figura científica que ha liderado la revolución científica en inteligencias artificiales en este siglo, incluyendo las generativas que ahora están tan  de moda.

Hoy en día la inteligencia artificial se usa para todo y es usada por todo el mundo. Muchas personas la usan sin saberlo. Ni Hopfield ni Hinton pudieron soñar con el estado actual de las redes de neuronas artificiales. Pero llevan muchos años disfrutando de ser prestigiosos pioneros a los que solo les faltaba un Premio Nobel. Hasta hoy, pues ya ostentan el más ansiado galardón, el rayo que truena en el firmamento marcando el inicio de la eternidad.

Saludos.

[Cadavre Exquis]

Premio Nobel de Química: Demis Hassabis y John Jumper por AlphaFold de Google DeepMind, y David Baker por RoseTTA

Por Francisco R. Villatoro, el 9 octubre, 2024

Se confirma lo que parecía imposible, dos premios Nobel a la inteligencia artificial. Y también que he acertado mi predicción para el de Química; como ya comenté, me parecía imposible que, a pesar de que la inteligencia artificial es el campo más revolucionario en la actualidad, copara dos Nobel, así que me decanté por el más claro. El británico Demis Hassabis (48 años) y el estadounidense John M. Jumper (39 años), ambos de Google DeepMind, Londres, Reino Unido, reciben el galardón por la inteligencia artificial AlphaFold2 para la predicción de la estructura de proteínas, y el estadounidense David Baker (62 años), Universidad de Washington, Seattle, Estados Unidos, lo recibe por la inteligencia artificial RoseTTAFold y su anterior versión, RoseTTA, que permitió el diseño computacional de una proteína. El plegamiento de proteínas es el primer gran problema que se ha sido resuelto de forma definitiva por las inteligencias artificiales.

Parecía imposible allá por el año 2020 cuando AlphaFold2 arrasó en el concurso CASP14 (LCMF, 03 dic 2020; LCMF, 26 jul 2021; LCMF, 30 jul 2021). Pero dos años más tarde, en 2022, el problema estaba resuelto y la alfombra roja estaba puesta para que Hassabis y Jumper recibieran el Nobel. La idea de AlphaFold fue de Hassabis, pero fue Jumper quien marcó la diferencia para llegar al revolucionario AlphaFold2. En paralelo Baker transformó su RoseTTA original en la inteligencia artificial RoseTTAFold, que completó la revolución ofreciendo funcionalidades que solo ha ofrecido AlphaFold3 en 2024. Pero para premiar a Baker con la mitad del galardón, la Academia Sueca ha decidido destacar el primer éxito de su primitivo software RoseTTA en 2003, el diseño de novo de la proteína Top7 con 93 residuos α/β, que fue predicha y validad mediante cristalografía (el hito previo de Dahiyat y Mayo en 1997, con el diseño computacional de 6 de los 28 residuos de una proteína ha quedado eclipsado por RoseTTAFold). La revolución en el campo del plegamiento y función de las proteínas en los últimos dos años, no solo con AlphaFold y RoseTTAFold, sino con muchas otras inteligencias artificiales, es el espejo en el que tenemos que ver el futuro de la inteligencia artificial en la ciencia, un antes y un después.


La inteligencia artificial es sinónimo de análisis estadístico avanzado de datos. Todas las ciencias experimentales, observacionales y computacionales requieren el análisis estadístico avanzado de datos. Todas ellas estarán dominadas por la inteligencia artificial en pocos años. Todas las carreras científicas en todas las universidades del mundo acabarán teniendo una asignatura de inteligencia artificial. Tiempo al tiempo. El anuncio oficial del Nobel en YouTube, Nota de Prensa [PDF], Popular Information [PDF], y Scientifc Background [PDF]. Recomiendo leer a Antonio Martínez Ron, «Premio Nobel de Química de 2024 para los científicos que diseñan y predicen la estructura de las proteínas», Diario.es, 09 oct 2024; Francisco Doménech, «Nobel de Química 2024 a David Baker, Demis Hassabis y John Jumper por revelar los secretos de las proteínas con IA y computación», Materia, El País, 09 oct 2024; «Baker, Hassabis y Jumper, Nobel de Química por descifrar la estructura de las proteínas», AgenciaSINC, 09 oct 2024; En inglés puedes disfrutar de Ewen Callaway, «Chemistry Nobel goes to developers of AlphaFold AI that predicts protein structures,» News, Nature, 09 oct 2024; Cathleen O’Grady, Hannah Richter, «Protein designer and structure solvers win chemistry Nobel,» News, Science, 09 oct 2024.

Los artículos premiados según la información Nobel son: [1] Kim T. Simons, Rich Bonneau, …, David Baker, «Ab initio protein structure prediction of CASP III targets using ROSETTA,» Proteins 37: 171-176 (1999), doi: https://doi.org/c4ttz7; [2]Brian Kuhlman, Gautam Dantas, …, David Baker, «Design of a Novel Globular Protein Fold with Atomic-Level Accuracy,» Science 302: 1364-1368 (2003), doi: https://doi.org/10.1126/science.1089427; [3] L. Jiang, E. A. Althoff, …, D. Baker, «De novo computational design of retro-aldol enzymes,» Science 319: 1387-1391 (2008), doi: https://doi.org/10.1126/science.1152692; [4] D. Röthlisberger, O. Khersonsky, …, D. Baker, «Kemp elimination catalysts by computational enzyme design,» Nature 453: 190-195 (2008), doi: https://doi.org/10.1038/nature06879; [5] Po-Ssu Huang, Scott E. Boyken, David Baker, «The coming of age of de novo protein design,» Nature 537: 320-327 (2016), doi: https://doi.org/10.1038/nature19946; [6] A. W. Senior, …, J. Jumper, …, D. Hassabis, «Improved protein structure prediction using potential from deep learning,» Nature 577: 706-710 (2020), doi: https://doi.org/10.1038/s41586-019-1923-7; [7] J. Jumper, R. Evans, …, D. Hassabis, «Highly accurate protein structure prediction with AlphaFold,» Nature 596: 583-589 (2021), doi: https://doi.org/10.1038/s41586-021-03819-2; [8] M. Baek, F. DiMaio, …, D. Baker, «Accurate prediction of protein structures and interactions using a three-track neural network,» Science 373: 871-876 (2021), doi: https://doi.org/10.1126/science.ade2574; [9] K. Tunyasuvunakool, … J. Jumper, D. Hassabis, «Highly accurate protein structure prediction for the human proteome,» Nature 596: 590-596 (2021), doi: https://doi.org/10.1038/s41586-021-03828-1; y [10] Mihaly Varadi, …, John Jumper, …, Demis Hassabis, Sameer Velankar, «AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models,» Nucleic Acids Research 50: D439-D444 (2022), doi: https://doi.org/10.1093/nar/gkab1061.

Como el premio se ha concedido a la revolución de AlphaFold2, la información Nobel se inicia hablando de Hassabis y Jumper. Las primeras estructuras tridimensionales de proteínas se obtuvieron por cristalografía de rayos X en 1958 y 1960. En aquella época la máxima era que la estructura (de una proteína) determina la función (biológica de dicha proteína). Una proteína es un polímero formado por aminoácidos (residuos), su estructura primaria, que forman motivos de tipo hélice alfa (amarillo) y láminas beta (azul), su estructura secundaria, cuya conformación tridimensional define su estructura terciaria y que se agrupan en complejos proteicos, su estructura cuaternaria. Christian Anfinsen recibió el Nobel de Química en 1972 por demostrar que la estructura primaria determina una única estructura terciaria (desnaturalizó proteínas que recuperaron su conformación tridimensional original de forma espontánea). En aquella época resolver el problema del plegamiento de proteínas parecía un problema del siglo XXI. Y ha sido en este siglo, tras 60 años de investigación y muchos palos de ciego, cuando se ha logrado resolver (aunque no de forma definitiva, pues quedan muchos flecos que darán para unas décadas de investigación).

Margaret O. Dayhoff (1925–1983), quimicofísica pionera de la bioinformática, fue la gran responsable de la creación del Atlas of Protein Sequence and Structure en 1965 (con solo 65 proteínas). Su Atlas fue el germen de las bases de datos biológicas bioinformáticas actuales, como el Protein Data Bank (PDB), que nació en los 1970 (Berstein et al. JMB (1977), https://doi.org/10.1016/S0022-2836(77)80200-3). Hoy en día el PDB contiene unas 220 000 estructuras de proteínas. Por cierto, el galardón más famoso en Biofísica es el Permio Margaret O. Dayhoff, que se instituyó en 1984 tras su temprano fallecimiento a los 57 años. La inteligencia artificial nunca hubiera sido posible sin estas bases de datos; de hecho, AlphaFold2 fue entrenada con todas las estructuras de proteínas publicadas en el PDB, en su momento unas 170 000 estructuras de proteínas.

La hipótesis de los expertos (la mayoría físicos y quimicofísicos) era que la predicción de la estructura de las proteínas requería entender las leyes físicas y químicas del plegamiento. Por desgracia, el problema resultó ser mucho más difícil de lo esperado a partir de los primeros resultados (Regan y DeGrado, Science (1988), https://doi.org/10.1126/science.3043666). A pesar de ello, algunos pioneros se atrevieron incluso a diseñar proteínas (en realidad, pequeñas regiones de la proteína, de hecho, las más relevantes para su función biológica, su sitio activo), como Dahiyat y Mayo, Science (1997), https://doi.org/10.1126/science.278.5335.82.

El diseño de novo de proteínas completas (aunque pequeñas en número de residuos) no se logró hasta la revolución computacional liderada por David Baker. Su software RoseTTA (1999) [1] le permitió publicar en 2003 en Science [2] el diseño de una proteína globular con 93 residuos llamada Top17; todo hito ya que esta proteína tenía dos hélices alfa y una lámina beta, con cinco cadenas beta. Su novedad es que su plegamiento era nuevo, no se conocía ninguna proteína natural que presentara un plegamiento similar. Además, el diseño fue validado con cristalografía de rayos X hasta la escala atómica. La biología computacional, la bioinformática, estaba dando sus primeros éxitos en la resolución del problema más difícil. Pero RoseTTA no usaba inteligencia artificial; estaba basado en un método de optimización de Montecarlo para minimizar la función de energía asociada a la proteína y sus interacciones de van der Waals con los enlaces de hidrógeno del agua que la rodeaba durante el plegamiento.

El objetivo era diseñar enzimas con actividad catalítica. El grupo de Baker lo logró en 2008, publicando sendos artículos en Science [3] y Nature [4]. El campo parecía viento en popa y en 2016, en Nature [5], Baker se venía arriba prometiendo una nueva era en la biología molecular en la que se podrían diseñar proteínas de novo para aplicaciones biomédicas y biotecnológicas. Todos los aficionados a la biología estructural nos quedamos fascinados con su promesa. Pero algunos la tomamos con cierto escepticismo, pues el problema de base, la resolución del problema del plegamiento de proteínas, seguía aparentando necesitar otros 60 años de avances. Bastaba ver los resultados en los concursos CASP (Critical Assessment of protein Structure Prediction) del grupo de Baker y de todos competidores. Rara vez se alcanzaba más del 30 % de fidelidad entre la predicción y la estructura cristalográfica. Todo parecía estar estancado. El campo pedía un golpe en la mesa, una revolución…

La revolución se inició en CASP12 en 2016, con la llegadas de la inteligencia artificial y el aprendizaje automático mediante redes de neuronas artificiales. La calidad de las predicciones alcanzó el 45 %; parece una pequeña diferencia, pero era un salto de gigante. Demis Hassabis, fundador de la empresa DeepMind, que fue comprada por Google, quería que sus inteligencias artificiales de la familia Alpha (como AlphaGo, AlphaZero, etc.), además de jugar a juegos (Atari, Go, ajedrez, etc.) también resolvieran algún problema relevante a nivel científico. Apostó por el plegamiento de proteínas y el concurso CASP. Lideró el desarrollo de AlphaFold (ahora llamada AlphaFold1) que venció de forma aplastante en CASP13 alcanzando un inaudito 70 %, publicado en Nature [6]. Pero la gran revolución fue el liderazgo de John M. Jumper, pues su conocimiento experto y sus geniales ideas fueron clave para en el rediseño por completo de AlphaFold2 respecto a AlphaFold1. En el año 2020, AlphaFold2 arrasó en CASP14 con una precisión que alcanzó en algunos casos hasta el 90 %, hito publicado en Nature [7]. Baker no se quedó de brazos cruzados y contraatacó con ESMFold, publicado en Science [7]. Para más detalles sobre su funcionamiento te recomiendo mis piezas en este blog, como «El plegamiento de proteínas de AlphaFold 2 vence de forma rotunda en CASP14», LCMF, 03 dic 2020; y mis intervenciones en podcast sobre este tema: LCMF, 26 jul 2021; LCMF, 30 jul 2021; LCMF, 02 ago 2021; y LCMF, 17 nov 2023.

Estas inteligencias artificiales estaban alcanzado una precisión del orden de 1 Å. A ojos de todos los expertos, el problema del plegamiento estaba próximo a su solución gracias a las inteligencias artificiales. Máxime tras la publicación de la base de datos de proteínas predichas por AlphaFold DB (https://alphafold.ebi.ac.uk) [10]. Todos los bioquímicos empezaron a recurrir a las estructuras de proteínas predichas por AlphaFold, no solo los bioquímicos estructurales, todos. Así que desde 2022 se empezó a comentar en todas las conferencias científicas que Baker, Hassabis y Jumper eran candidatos firmes para un Premio Nobel de Química. Y cuando el río suena, … es que llueven nominaciones. Y tienen que haber sido muchas en poco tiempo para que en solo dos años estos genios hayan recibido la más ansiada recompensa, a pesar de su juventud (por cierto, Jumper es doctor desde hace unos 7 años, así que es un pipiolo en investigación). Las revoluciones siempre son premiadas por los Nobel, porque premios como este prestigian más al Nobel de lo que prestigian a los galardonados.

Saludos.

[Cadavre Exquis]

https://x.com/sytelus/status/1848160140278555049

Saludos.

P.D. El paper al que hace referencia el tweet es: Grandmaster-Level Chess Without Search.