Tecnologia

Guia del professorat - Activitat 1

Petit resum

Aquesta activitat introdueix l’alumnat al món de la bioinformàtica, mostrant com podem obtenir informació útil a partir de dades genètiques reals.

• A la Part BLAST, l’alumnat treballarà amb una seqüència d’ADN desconeguda i aprendrà a utilitzar l’eina online BLAST per identificar d’on prové i quina funció pot tenir. Això els permetrà entendre com es poden estudiar els gens a partir de les seves seqüències.
• A la Part PDB, descobriran com és l’estructura tridimensional de les proteïnes utilitzant un visor en línia. Això els ajudarà a entendre com la forma d’una proteïna està relacionada amb la seva funció dins de l’organisme.

L’activitat connecta la teoria sobre ADN i proteïnes amb eines reals de recerca, mostrant aplicacions pràctiques de la biologia molecular.

Objectius

• Part BLAST: familiaritzar-se amb l’ús de l’eina BLAST per identificar l’origen i la funció d’una seqüència d’ADN desconeguda. Aquesta activitat introdueix les bases de la bioinformàtica i mostra com podem extreure informació biològica valuosa a partir de dades genètiques.
• Part PDB: descobrir com és l’estructura real de les proteïnes i entendre com la seva forma tridimensional està relacionada amb la seva funció biològica. Els alumnes utilitzaran un visor online per explorar models reals de proteïnes obtinguts amb tècniques experimentals.

Competències treballades

⏱ Materials necessaris i durada

Guia del professorat - Activitat 2

Petit resum

Aquesta activitat introdueix l'alumnat a l'ús d'eines d'intel·ligència artificial aplicades a la biologia, a través d'AlphaFold, un sistema capaç de predir l'estructura tridimensional de proteïnes a partir de la seva seqüència d'aminoàcids. L'alumnat visualitzarà o generarà una predicció real d'una proteïna, analitzarà la seva estructura i reflexionarà sobre la relació entre seqüència i funció biològica.

Objectius

• Entendre què és i com funciona AlphaFold com a eina de predicció d'estructures proteiques
• Comprendre la relació entre la seqüència d'aminoàcids i l'estructura tridimensional de les proteïnes
• Reconèixer com el plegament de proteïnes condiciona la seva funció dins del cos
• Identificar l'impacte de les noves tecnologies (IA) en la investigació biomèdica
• Utilitzar eines basades en intel·ligència artificial per fer prediccions moleculars

Competències treballades

⏱ Materials necessaris i durada

Què és AlphaFold?

AlphaFold és un programa d'intel·ligència artificial desenvolupat per DeepMind (Google) que pot predir la forma tridimensional d'una proteïna només a partir de la seva seqüència d'aminoàcids. Fins ara, descobrir l'estructura real d'una proteïna era molt lent, car i difícil (cristal·lografia de raigs X o criomicroscòpia electrònica). Ara, amb AlphaFold, es poden fer milions de prediccions molt precises en pocs minuts.

Com funciona AlphaFold:

1. Llegeix la seqüència d'aminoàcids d'una proteïna
2. Compara amb moltes altres que ja coneix
3. Utilitza intel·ligència artificial per predir com es plega
4. Dona com a resultat una estructura 3D molt aproximada a la real

Passos de l'activitat:

1. Ves a https://alphafoldserver.com/
2. Copia la seqüència en el camp corresponent i executa
3. El programa trigarà uns minuts i et donarà una estructura predita
4. Observa el model en 3D i analitza'l amb els alumnes

Preguntes per reflexionar:

• Com creus que una seqüència d'aminoàcids pot acabar formant una estructura tan complexa?
• Quins avantatges pot tenir preveure l'estructura d'una proteïna sense haver de fer experiments?
• Si una proteïna està mal plegada, què podria passar al cos humà?
• Creus que AlphaFold podria ajudar a curar malalties? Per què?

Guia del professorat

Petit resum

En aquesta activitat, l'alumnat es posa en la pell d'un equip d'emergències que ha de trobar el camí més ràpid per arribar a una zona afectada, evitant obstacles en una xarxa de carrers o camins. Mitjançant una representació de mapa en forma de graella, els alumnes hauran de desenvolupar una estratègia basada en passos lògics per resoldre el repte: trobar la ruta òptima. Aquesta activitat introdueix el concepte d'algoritme, potencia el pensament computacional i connecta la resolució de problemes amb situacions reals d'impacte social.

Objectius d'Aprenentatge

• Comprendre què és un algoritme: Una seqüència de passos lògics per resoldre un problema.
• Entendre l'optimització: Trobar la millor solució (la ruta més ràpida/curta).
• Connectar amb l'impacte social: Reconèixer com els algoritmes milloren la vida quotidiana.
• Desenvolupar el pensament computacional: Descomposar problemes i aplicar lògica.

Competències treballades

Assignatures Clau

• Tecnologia: Algoritmes, optimització, lògica.
• Matemàtiques: Distàncies, gràfics, resolució de problemes.
• Ciències Socials/Geografia: Mobilitat, gestió d'emergències, planificació territorial.

⏱ Materials necessaris i durada

Explicació de l'activitat

L'activitat comença amb un repte visual: els alumnes observen un mapa-laberint amb obstacles. Molts troben ràpidament un camí a simple vista i sembla fàcil. Però llavors ens fem la pregunta clau: si ja sabem la resposta, per què necessitem ordinadors per això?

La resposta és que, en situacions més complexes, amb moltes més opcions i variables, el cervell humà no pot considerar totes les possibilitats amb prou rapidesa. Els ordinadors poden fer milions de càlculs per segon i provar alternatives que nosaltres no podríem ni imaginar. En problemes grans o amb moltes solucions possibles, un algoritme pot trobar solucions òptimes de forma sistemàtica.

Per entendre com pensa un ordinador, proposem aplicar un algoritme genètic manualment, pas a pas:

1. Observar el mapa: identificar l’inici, el destí i els obstacles (zones tallades).
2. Generar una població inicial de rutes aleatòries: inventar camins, encara que no siguin bons.
3. Avaluar cada ruta: calcular quantes caselles recorren, si passen per obstacles o si arriben al destí.
4. Seleccionar les millors rutes: les més curtes i que més aprop són del destí.
5. Fer creuaments: combinar parts de dues rutes bones per crear-ne de noves.
6. Aplicar mutacions: fer petits canvis aleatoris en alguna ruta per explorar noves opcions.
7. Repetir el procés: fer diverses generacions, esperant millores.

Quan els alumnes ho fan a mà, veuen com de lent i limitat és aquest procés. Llavors ho comparen amb un ordinador fent exactament el mateix. I veuen que, en segons, pot fer el que a ells els costa molts minuts. Aquesta és la força dels algoritmes i el pensament computacional.

Per què canvia el resultat cada vegada?

Un algoritme genètic comença amb rutes aleatòries i fa mutacions aleatòries. Per això, encara que el mapa sigui el mateix, el camí trobat pot ser diferent cada cop. No hi ha una única resposta "correcta", sinó una solució òptima segons la població i l'atzar inicial.

Què passa si...

• Augmentem la població inicial? L'algoritme té més varietat de rutes per començar, així que pot trobar solucions millors més ràpidament. Però també necessita més temps per processar-ho tot.
• Augmentem el nombre de generacions? Li donem més oportunitats per millorar les solucions. Sovint, més generacions vol dir una solució més eficient, però hi ha un punt en què ja no millora gaire.
• Augmentem la taxa de mutació? Introduïm més diversitat, i això pot ajudar a sortir de camins dolents. Però massa mutació pot fer que perdi les bones solucions que ja tenia.
• Augmentem l’elitisme? L’elitisme fa que les millors rutes sempre passin a la següent generació. Això ajuda a mantenir la qualitat, però si és massa alt, l’algoritme pot estancar-se i deixar d'explorar rutes noves.

A través d'aquest joc, l'alumnat entén com funcionen els algoritmes evolutius, què vol dir optimitzar, i per què la ciència i la tecnologia s’ajuden mútuament per resoldre problemes del món real.