El Nobel de Química premia a AlphaFold y el diseño de proteínas

El 9 de octubre de 2024, la Real Academia Sueca de Ciencias concedió el Nobel de Química a David Baker por diseño computacional de proteínas y a Demis Hassabis y John Jumper por predicción de estructuras. El comunicado oficial del Nobel explica la división del premio y el trabajo reconocido; el galardón distingue métodos científicos, no certifica cada predicción futura de una herramienta.

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. Fuente primaria.

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. Fuente primaria.

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.

Una predicción lleva su propia advertencia

AlphaFold produce coordenadas y medidas de confianza. Una región con puntuación baja puede ser flexible, estar desordenada o depender de un socio molecular que la entrada no representa. El usuario no debe recortar ese aviso para quedarse con una imagen limpia: confianza local y relaciones entre dominios determinan qué hipótesis merece un experimento.

La comparación adecuada no es “ordenador contra laboratorio”. La predicción reduce candidatos y ayuda a diseñar una prueba; cristalografía, microscopía, bioquímica y mutagénesis observan el sistema físico. Cuando discrepan, la diferencia puede revelar estado, entorno o interacción, no solo un ganador.

Del archivo a una decisión experimental

Un flujo reproducible conserva secuencia, versión del modelo, bases de datos, parámetros y fecha. Después identifica la pregunta: localizar un sitio, comparar una mutación o diseñar una interacción. Se selecciona una medida que pueda refutar la hipótesis y se decide por adelantado qué resultado obligaría a abandonarla.

Para diseño de proteínas, proponer una secuencia es el comienzo. Hay que fabricarla, comprobar que se pliega, medir estabilidad y ensayar la función en condiciones relevantes. Los filtros computacionales ahorran experimentos; no convierten candidatos en moléculas eficaces o seguras.

Leer el Nobel sin convertirlo en una marca

El premio reconoce dos capacidades complementarias: inferir estructuras de secuencias y crear proteínas que la evolución no había ofrecido. Ambas nacen de décadas de datos y método experimental. La IA aporta una forma de buscar en un espacio enorme, mientras la evidencia material decide qué existe y funciona.

Eso ofrece una plantilla para otras ciencias. Se pregunta qué representa el modelo, de qué observaciones aprendió, qué incertidumbre entrega y qué experimento cierra el bucle. Un resultado vistoso sin esas cuatro respuestas es una sugerencia, no un descubrimiento.

La documentación pública permite revisar también el alcance. Una estructura estática no describe por sí sola concentraciones, cambios químicos, membranas ni el tiempo de una reacción. El investigador anota qué dimensiones quedaron fuera y evita que una imagen tridimensional aparente contener fenómenos que el modelo no calculó.

Los indicadores de confianza tampoco son comparables sin definición. Se consulta la guía del modelo y se fija un umbral para la pregunta concreta; una zona dudosa puede ser precisamente el objeto de estudio. Publicar la predicción junto a la incertidumbre permite que otro equipo repita la selección y discuta el criterio en lugar de recibir solo una figura bonita.

La capacidad transferible es leer una predicción científica como una hipótesis con versión, confianza y prueba de refutación. Ese hábito permite aprovechar AlphaFold y los sistemas de diseño sin tratarlos como oráculos y muestra por qué el laboratorio sigue siendo parte del método premiado.