El codi ocult de la natura i la IA
La biodiversitat del nostre planeta és una immensa biblioteca de solucions biològiques que encara no hem acabat de comprendre. Al cor d’aquesta complexitat es troben les proteïnes, les “màquines moleculars” que determinen des de l’esponjositat d’un pa de pessic fins a la capacitat d’un llegum per saciar-nos. Tanmateix, identificar què fa cada proteïna a la natura —per què una ajuda a espessir una salsa i una altra no— ha estat històricament un procés d’assaig i error extremadament lent. El desafiament és que no n’hi ha prou de conèixer la “recepta” (la seqüència d’aminoàcids); el veritable repte és entendre com funciona aquesta peça en el món real.
Aquí és on entra la Intel·ligència Artificial (IA) com a eina clau. La IA no inventa realitats biològiques, sinó que actua com un catalitzador per descodificar la complexitat natural, transformant la recerca d’un model basat en la sort a un de disseny predictiu. Per potenciar aquesta anàlisi s’hi suma la Bioinformàtica Avançada, que permet escanejar milers de seqüències en segons. Aquesta sinergia ofereix una solució potent: descobrir proteïnes en plantes o algues que puguin substituir ingredients industrials o d’origen animal, permetent una alimentació més sostenible, saludable i respectuosa amb els recursos de la Terra.
El binomi tecnològic: del mapa de dades a la forma real
L’escaneig i la predicció bioinformàtica. La primera peça del trencaclosques es basa en l’Anotació Funcional Predictiva. Tradicionalment, la ciència creia que si dues proteïnes s’”escrivien” igual, havien de servir per al mateix. Tanmateix, en biologia, canviar una sola lletra de la recepta pot fer que una proteïna passi de ser un nutrient a ser inútil. L’origen d’aquest nou enfocament rau en l’ús de biblioteques digitals massives com UniProt, que alberguen milions de seqüències biològiques esperant ser desxifrades.
El mecanisme funciona analitzant la cadena d’aminoàcids (la llista d’ingredients) per predir propietats pràctiques: es dissoldrà bé en un refresc?, aguantarà la calor del forn?, servirà per crear l’escuma d’un cafè? Per si sola, aquesta tecnologia ens dona una llista de proteïnes “candidates”. Tanmateix, té un límit: la “incertesa del plegament”. Conèixer la llista de peces no garanteix saber com funcionarà la màquina; és com tenir les peces d’un moble però no saber com encaixen perquè es mantingui dret dins d’un iogurt o una massa de pa.
El paper de l’aprenentatge profund (Deep Learning)
Aquí intervé la segona peça: l’Aprenentatge Profund aplicat a la Biologia Estructural, amb sistemes com AlphaFold al capdavant. Aquesta IA no només llegeix la llista de peces, sinó que prediu amb precisió mil·limètrica com es doblega i s’enrotlla la proteïna en tres dimensions per adquirir la seva forma final. És el cervell que converteix un codi de lletres en una eina física amb volum.
Aquesta combinació és la que realment marca la diferència, ja que permet visualitzar les “butxaques” o punts exactes on la proteïna encaixa amb altres ingredients, com una clau en un pany. La sinergia és transformadora perquè permet automatitzar el descobriment: en lloc de cultivar i analitzar 10.000 plantes diferents en un laboratori real —una feina d’anys—, la IA selecciona digitalment les 5 més prometedores basant-se en la seva estructura 3D. Això afegeix una capa d’interpretació que converteix dades brutes en ingredients reals, accelerant dècades de recerca en només uns mesos.
El descobriment d’emulsionants naturals
Un exemple concret és la cerca de substituts naturals per als emulsionants sintètics o derivats de la soja intensiva. El problema era trobar una proteïna vegetal que pogués mantenir units l’aigua i l’oli de manera estable. Utilitzant la combinació d’escaneig bioinformàtic i models d’IA, investigadors van analitzar la biodiversitat de plantes poc explotades.
Metodologia: Es va entrenar la IA per identificar patrons estructurals de proteïnes altament hidrofòbiques i atractives a l’aigua simultàniament. Resultats: Es van identificar proteïnes en llavors de lleguminoses poc comunes que superaven en estabilitat les opcions tradicionals. Validació: Després de la predicció digital, només es van sintetitzar les proteïnes amb un “score” de confiança superior al 90%, confirmant en laboratori que el seu comportament coincidia amb el model digital. La lliçó apresa va ser clara: la natura ja té la solució, la IA només ens ajuda a trobar-la més ràpid.
Entrada de l’edifici on es troben Google i la seva filial DeepMind a 6 Pancras Square, Londres, Regne Unit. Imatge de Gciriani – Own work, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=73490858
Aquest avenç no és fruit de l’atzar, sinó de la col·laboració entre gegants tecnològics com Google DeepMind, que aporta el motor de predicció AlphaFold, i empreses innovadores com NotCo. En la seva cerca d’un emulsionant perfecte, van utilitzar la IA per analitzar milers de proteïnes en bases de dades globals com UniProt. El resultat va ser la troballa de proteïnes en lleguminoses poc comunes, l’efectivitat de les quals va ser validada posteriorment en laboratoris, demostrant que la sinergia entre la capacitat de càlcul de la IA i el coneixement d’institucions científiques pot resoldre en mesos allò que abans trigava dècades.
Implicacions àmplies i context regional
Més enllà dels emulsionants, aquesta sinergia de tecnologies s’està aplicant per crear fibres tèxtils biodegradables i enzims que descomponen plàstics. En el context de la Unió Europea, i específicament a Espanya, aquestes tecnologies són vitals. Com a potència agrícola i gastronòmica, Espanya té un interès estratègic en l'”Estratègia de la Granja a la Taula” del Pacte Verd Europeu.
L’ús d’IA per descobrir proteïnes locals (com les del tramús o subproductes de l’olivar) podria reduir la dependència de la importació de soja i millorar la sobirania alimentària. Actualment, grups de recerca en centres com el CSIC o universitats tecnològiques ja exploren aquestes vies, tot i que el desafiament pendent continua sent la regulació ètica i la seguretat alimentària d’aquests “nous aliments” descoberts per algoritmes.
Apartat 6. Conclusió: cap a una ciència més humana i natural
La combinació de la IA i l’estudi de les proteïnes no és una substitució de la natura, sinó un homenatge a la seva eficiència. Hem demostrat que la sinergia entre el processament de dades i la biologia estructural permet crear un sistema alimentari més saludable, reduint la petjada ambiental i respectant la biodiversitat.
L’impacte positiu és innegable: menys química sintètica, processos més nets i aliments més nutritius. Com a reflexió final, hem d’entendre que la IA és el pont que ens permet tornar a la natura amb una mirada més intel·ligent i proactiva. És el moment d’apostar per una innovació que no només busqui el benefici econòmic, sinó la resiliència del nostre planeta. La tecnologia, ben emprada, és la nostra millor eina per assegurar que la història de la nostra alimentació sigui, abans que res, una història de respecte i sostenibilitat.
