AlphaFold 3 lleva la IA de DeepMind al ADN, ARN y los fármacos

El 8 de mayo de 2024, Google DeepMind e Isomorphic Labs publicaron AlphaFold 3, un sistema que predice estructuras conjuntas de proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados. El artículo científico en Nature aporta el método y las evaluaciones; su resultado es una predicción estructural con incertidumbre, no la confirmación experimental de un fármaco.

El salto importa porque buena parte de la biología y del desarrollo de medicamentos depende precisamente de esas interacciones. Una proteína aislada ofrece información útil, pero muchas enfermedades y tratamientos se explican por la forma en que una proteína se une a otra molécula dentro de una célula.

De doblar proteínas a reconstruir complejos biológicos

AlphaFold 2, presentado en 2020, resolvió uno de los grandes problemas de la biología computacional: predecir la forma tridimensional de una proteína a partir de su secuencia de aminoácidos. Esa forma condiciona su función. El sistema transformó el trabajo de muchos laboratorios al ofrecer, en segundos o minutos, hipótesis estructurales que antes podían requerir años de experimentos.

AlphaFold 3 amplía ese enfoque. En lugar de estimar solo la geometría de una proteína, intenta generar la estructura conjunta de un complejo molecular: por ejemplo, una proteína unida a un fragmento de ADN, una molécula de ARN o un compuesto químico.

Los compuestos pequeños son especialmente relevantes para la industria farmacéutica. Un medicamento suele funcionar porque se acopla a una región concreta de una proteína y modifica su actividad. A esas moléculas que se unen a una proteína se las denomina ligandos. Poder anticipar su posición y orientación puede ayudar a seleccionar antes qué candidatos merece la pena sintetizar y probar en el laboratorio.

Según Google DeepMind, AlphaFold 3 mejora en un 50% la precisión de los mejores métodos existentes para predecir interacciones entre proteínas y otras clases de moléculas. En algunas categorías de interacción molecular, la compañía sostiene que duplica la precisión disponible hasta ahora. Fuente primaria

Un modelo de difusión para colocar los átomos

La nueva versión introduce un modelo de difusión, una familia de técnicas también utilizada para generar imágenes. El mecanismo parte de una disposición molecular imprecisa y la va refinando en pasos sucesivos hasta producir coordenadas para los átomos del complejo.

No se trata de una fotografía directa de una célula ni de una simulación completa de todo lo que sucede en ella. AlphaFold 3 produce una predicción basada en patrones aprendidos de estructuras conocidas y proporciona medidas de confianza para que los investigadores distingan las zonas más fiables de las más inciertas.

El avance resulta notable porque las estructuras de proteínas con ADN, ARN o ligandos son más difíciles de determinar que las proteínas aisladas. Métodos experimentales como la cristalografía de rayos X, la resonancia magnética nuclear o la criomicroscopía electrónica siguen siendo esenciales, pero no siempre son rápidos, baratos o aplicables a cada molécula.

Una herramienta con interés directo para los medicamentos

Isomorphic Labs, empresa creada por Alphabet y especializada en descubrimiento de fármacos, participó en el desarrollo de AlphaFold 3. Esa colaboración deja claro el destino práctico de la tecnología: reducir el número de experimentos necesarios para encontrar moléculas prometedoras.

La utilidad potencial va más allá de los medicamentos. La predicción de complejos entre proteínas y ADN puede servir para estudiar regulación genética; las interacciones con ARN son relevantes para investigar mecanismos celulares y terapias basadas en ARN; y la capacidad de incorporar iones o modificaciones químicas acerca el modelo a sistemas biológicos más realistas.

Pero una estructura plausible no convierte automáticamente un compuesto en un fármaco. AlphaFold 3 no determina por sí solo si una molécula llegará al tejido adecuado, será segura, tendrá toxicidad o funcionará en pacientes. Tampoco sustituye los ensayos de laboratorio y clínicos. Su valor está en acotar un espacio de posibilidades enorme antes de llegar a esas fases lentas y costosas.

Acceso gratuito, pero no código abierto

Google DeepMind ha puesto AlphaFold Server a disposición de investigadores para usos no comerciales. La plataforma permite introducir combinaciones de proteínas, ADN, ARN y moléculas pequeñas sin tener que instalar el modelo ni disponer de infraestructura informática especializada.

La compañía no ha publicado los pesos ni el código de AlphaFold 3 como software abierto. El acceso mediante servidor facilita que más grupos académicos usen el sistema, pero limita la posibilidad de reproducirlo, adaptarlo o ejecutarlo de forma independiente. Es una diferencia importante respecto a la práctica de una parte de la investigación científica, especialmente cuando una herramienta puede influir en el descubrimiento de tratamientos.

El resultado de AlphaFold 3 será, sobre todo, una herramienta para formular mejores preguntas experimentales. Si sus predicciones se confirman de forma consistente en el laboratorio, la IA habrá pasado de describir proteínas aisladas a intervenir en una fase mucho más amplia de la investigación biomédica.

Predicción, confianza y experimento son capas distintas

AlphaFold propone coordenadas compatibles con patrones aprendidos de estructuras conocidas. No observa directamente una célula ni calcula toda su dinámica. Una puntuación de confianza indica dónde el propio sistema considera más o menos estable la predicción; no es la probabilidad de que un compuesto cure una enfermedad. Leer el resultado exige conservar esa diferencia de eje.

Antes de usar una estructura para decidir, hay que identificar qué parte se evalúa: conformación de una proteína, interfaz entre moléculas, posición de un ligando o geometría local. Cada pregunta necesita un método experimental adecuado y un control. Una coincidencia global puede ocultar un error justo en el bolsillo de unión que determina la hipótesis farmacológica.

Cómo convertir una predicción en una hipótesis útil

El registro mínimo guarda secuencias y entidades de entrada, versión del modelo, fecha, parámetros, puntuaciones de confianza y archivos de salida. Después se formula una consecuencia comprobable: qué residuo debería interactuar, qué mutación cambiaría la unión o qué experimento distinguiría dos estructuras. Si no puede escribirse esa consecuencia, la visualización puede ser sugerente pero todavía no guía una prueba.

También importa el conjunto de evaluación. Un promedio agregado puede combinar clases fáciles y difíciles; conviene buscar el rendimiento para la interacción relevante y comprobar si existe solapamiento temporal o estructural con datos de entrenamiento. La comparación debe usar la misma tarea y métrica para todos los métodos.

La capacidad transferible es leer una estructura generada como una hipótesis con incertidumbre. Localiza entrada, versión, confianza, eje de evaluación y prueba experimental. Ese procedimiento evita dos errores opuestos: descartar una herramienta útil porque no sustituye el laboratorio, o tratar una predicción plausible como descubrimiento confirmado.

Acceso y reproducibilidad también condicionan el resultado

Un servidor gratuito permite usar una herramienta sin montar infraestructura, pero limita inspección, automatización y adaptación. Si el código o los pesos no están disponibles en la fecha del anuncio, la pieza debe decirlo sin proyectar cambios posteriores. La reproducibilidad puede ser parcial: otros grupos aún pueden revisar el paper, descargar predicciones y contrastarlas con experimentos, aunque no repitan todo el entrenamiento.

Para decidir si la herramienta ahorra trabajo hay que contar el proceso completo. Una predicción rápida puede requerir preparación de entradas, revisión estructural y validación experimental. El ahorro aparece cuando descarta hipótesis o prioriza ensayos con una tasa de acierto suficiente, no cuando produce una imagen en pocos minutos. Esa métrica conecta el modelo con el trabajo científico real.

El informe final no debería decir solo si AlphaFold “acertó”. Debe mostrar qué región se comparó, con qué referencia, bajo qué métrica y qué decisión experimental cambió. Una mejora útil es específica: reduce candidatos, descubre un control o evita un ensayo; no convierte toda la biología en un único porcentaje.

La incertidumbre no es un defecto ocultable.