El Nobel de Química premia a AlphaFold y el diseño de proteínas
Demis Hassabis y John Jumper, de Google DeepMind, comparten el Nobel de Química con David Baker. El premio reconoce la predicción de estructuras proteicas con IA y el diseño computacional de proteínas nuevas.
El Premio Nobel de Química de 2024 reconoce una transformación que llevaba décadas gestándose en los laboratorios: usar ordenadores e inteligencia artificial para entender y crear proteínas. La mitad del galardón corresponde a David Baker, de la Universidad de Washington, y la otra mitad se reparte entre Demis Hassabis y John Jumper, de Google DeepMind, creadores de AlphaFold.
La Real Academia Sueca de Ciencias ha distinguido a Baker por el diseño computacional de proteínas y a Hassabis y Jumper por la predicción de estructuras proteicas. El premio sitúa a la IA en el centro de una disciplina donde conocer la forma de una molécula puede ser tan importante como conocer su composición.
La forma que determina la función
Las proteínas son largas cadenas de aminoácidos. Una vez producidas por las células, esas cadenas se pliegan en estructuras tridimensionales. Esa geometría determina, por ejemplo, si una proteína transporta oxígeno, acelera una reacción química o se une a un virus.
El problema es que predecir esa forma a partir de la secuencia de aminoácidos ha sido uno de los grandes desafíos de la biología. Durante décadas, obtener la estructura de una proteína exigía experimentos complejos y costosos, como la cristalografía de rayos X, la resonancia magnética nuclear o la criomicroscopía electrónica. Son técnicas fundamentales, pero no permiten avanzar al ritmo al que se descubren secuencias genéticas.
AlphaFold cambió esa relación entre datos biológicos y estructuras. La primera versión del sistema de DeepMind destacó en 2018 en CASP, una evaluación internacional que compara métodos de predicción. AlphaFold2, presentado en 2020, dio el salto decisivo: logró una precisión que, para muchas proteínas, se aproximaba a la de los métodos experimentales.
El sistema analiza la secuencia de una proteína y grandes bases de datos de proteínas emparentadas evolutivamente. Con esa información estima qué partes de la cadena estarán cerca unas de otras y construye una predicción de su estructura. No observa físicamente la molécula: infiere su forma a partir de patrones aprendidos en datos biológicos.
De una demostración a una infraestructura científica
El reconocimiento no premia solo un resultado de competición. DeepMind y el Laboratorio Europeo de Biología Molecular, a través de su Instituto Europeo de Bioinformática, pusieron en marcha la base de datos AlphaFold Protein Structure Database. Esta plataforma ofrece predicciones para más de 200 millones de proteínas, accesibles gratuitamente para investigadores de todo el mundo.
Eso no convierte cada predicción en una estructura definitiva. AlphaFold acompaña sus resultados de indicadores de confianza y funciona peor en algunas zonas flexibles de las proteínas o en sistemas donde importan mucho las interacciones entre varias moléculas. Los experimentos siguen siendo necesarios para verificar resultados, estudiar mecanismos concretos y desarrollar medicamentos.
Pero la diferencia práctica es enorme. Un equipo puede ahora consultar una hipótesis estructural en minutos antes de decidir qué experimentos merece la pena realizar. En investigación básica, esto puede ayudar a asignar funciones a proteínas poco estudiadas. En medicina, facilita el análisis de mutaciones vinculadas a enfermedades y el estudio de dianas para fármacos. En biotecnología, acelera la búsqueda de enzimas capaces de realizar reacciones industriales o degradar contaminantes.
David Baker y las proteínas que no existían
La otra mitad del Nobel reconoce un paso distinto, aunque complementario: no limitarse a descifrar proteínas naturales, sino diseñar otras nuevas con una función determinada.
David Baker lleva décadas desarrollando Rosetta, un conjunto de métodos computacionales para modelar y diseñar proteínas. En 2003, su grupo presentó Top7, una proteína creada por ordenador cuya estructura no se parecía a las conocidas en la naturaleza. Aquello demostró que las reglas físicas y químicas que guían el plegamiento podían utilizarse de forma inversa: partir de una función o una forma deseada y buscar una secuencia que pudiera producirla.
Esta capacidad abre la puerta a proteínas diseñadas para tareas concretas: catalizadores más eficientes, materiales con propiedades nuevas, sensores o moléculas terapéuticas. La investigación de Baker también ha alimentado herramientas actuales que combinan modelos de aprendizaje automático con simulaciones físicas para proponer miles de candidatos y seleccionar cuáles fabricar y probar en el laboratorio.
Un Nobel para una ciencia híbrida
El premio reparte 11 millones de coronas suecas entre los tres investigadores y deja una señal clara: la IA ya no es solo una herramienta para clasificar imágenes, escribir texto o recomendar contenidos. También se ha convertido en un instrumento para formular hipótesis en ciencias naturales.
Conviene no confundir ese avance con una sustitución de la investigación experimental. AlphaFold y los sistemas de diseño de proteínas dependen de datos acumulados por biólogos, químicos y estructuralistas durante décadas. Su mayor valor está en hacer más productivo ese trabajo: reducir el espacio de posibilidades, sugerir explicaciones y orientar experimentos.
Para Google DeepMind, el Nobel consolida además una apuesta que se aparta de la competición habitual por asistentes conversacionales. La compañía presentó AlphaFold3 el pasado mayo, una nueva generación orientada a modelar interacciones entre proteínas, ADN, ARN y pequeñas moléculas. El desafío ahora será trasladar esa capacidad de predicción a resultados verificables en laboratorios, tratamientos y procesos industriales.