John M. Jumper es un químico y científico informático estadounidense afiliado a Google DeepMind. Es conocido principalmente por liderar el desarrollo de AlphaFold, un sistema de inteligencia artificial que predice estructuras tridimensionales de proteínas a partir de secuencias de aminoácidos, un avance que le valió una parte del Premio Nobel de Química 2024.
El trabajo de Jumper conecta el aprendizaje automático con la biología estructural, demostrando cómo el aprendizaje profundo puede resolver desafíos científicos de larga data. Sus contribuciones han tenido implicaciones profundas para el descubrimiento de fármacos, el diseño de enzimas y la comprensión de los mecanismos de las enfermedades.
Educación y primeros años
Jumper nació en Estados Unidos. Cursó estudios universitarios en física y matemáticas, obteniendo una licenciatura en la Universidad Vanderbilt en 2007. Posteriormente completó una maestría en física en la Universidad de Cambridge en 2008. Más tarde se orientó hacia la química, obteniendo un doctorado en química teórica en la Universidad de Toronto en 2017, donde su investigación se centró en métodos computacionales para el plegamiento de proteínas.
Carrera en Google DeepMind
En 2017, Jumper se unió a DeepMind (ahora parte de Google DeepMind) como investigador científico. Rápidamente se convirtió en el líder del proyecto AlphaFold, cuyo objetivo era aplicar la inteligencia artificial a la predicción de estructuras de proteínas. El primer gran éxito del proyecto llegó en 2018, cuando AlphaFold ganó la 13.ª edición del concurso Critical Assessment of Structure Prediction (CASP), superando a otros métodos. En 2020, AlphaFold 2 logró una precisión casi experimental, un resultado que sorprendió a la comunidad científica y que se describió como la resolución de un desafío pendiente desde hacía 50 años en biología.
AlphaFold y su impacto
AlphaFold 2 utiliza una arquitectura de red neuronal que incorpora mecanismos de atención, similares a los de los transformers, para modelar las interacciones entre aminoácidos. El sistema se entrenó con un gran conjunto de datos de estructuras de proteínas conocidas del Protein Data Bank. En 2021, DeepMind publicó la base de datos AlphaFold Protein Structure Database, que proporciona estructuras predichas para casi todas las proteínas humanas y millones de otras proteínas, de libre acceso para investigadores de todo el mundo.
La base de datos ha sido utilizada por más de un millón de investigadores, acelerando estudios en áreas como las enfermedades tropicales desatendidas, la resistencia a los antibióticos y la biología sintética. El liderazgo de Jumper fue fundamental para coordinar el equipo interdisciplinario que desarrolló AlphaFold, integrado por expertos en aprendizaje automático, biología e ingeniería de software.
Premios y reconocimientos
Jumper recibió el Premio Nobel de Química 2024 junto con Demis Hassabis, director ejecutivo de Google DeepMind, por su trabajo en la predicción de estructuras de proteínas. El premio reconoció el desarrollo de AlphaFold, que el Comité Nobel describió como un avance que ha permitido predecir estructuras complejas de proteínas con una precisión notable. Jumper también ha recibido otros honores, como el Premio Breakthrough en Ciencias de la Vida 2023 y el Premio Gairdner de Canadá 2022, ambos compartidos con Hassabis y otros colaboradores.
Trabajo actual y perspectivas futuras
En 2025, Jumper continúa trabajando en Google DeepMind, centrado en ampliar las capacidades de AlphaFold a otras moléculas biológicas, como el ARN y los complejos proteína-ligando. Su investigación incluye la integración del aprendizaje profundo con la biología estructural experimental y la exploración de aplicaciones en el diseño de fármacos. Jumper ha subrayado la importancia de la ciencia abierta, haciendo que el código y las predicciones de AlphaFold estén disponibles públicamente para maximizar su impacto científico.
Los logros de Jumper han inspirado a una nueva generación de investigadores a aplicar la inteligencia artificial a problemas científicos, y su trabajo se considera un ejemplo emblemático del potencial transformador del aprendizaje automático en las ciencias naturales.