AlphaFold 3 redefine la biología estructural: más allá de las proteínas

Cuando DeepMind presentó AlphaFold 2 en 2020 y lo declaró como la solución al problema del plegamiento de proteínas —un reto de 50 años de biología computacional— la comunidad científica tardó un tiempo en calibrar la magnitud del logro. AlphaFold 3, presentado en mayo de 2024 en Nature, eleva las apuestas de forma cualitativa.

Más allá de las proteínas

La limitación principal de AlphaFold 2 era su alcance: predecía la estructura tridimensional de proteínas individuales. Los procesos biológicos reales involucran moléculas interactuando: proteínas uniéndose a fragmentos de ADN para regular la expresión génica, enzimas reconociendo sus sustratos, anticuerpos encajando con antígenos.

AlphaFold 3 modela estas interacciones. Su arquitectura de difusión (similar en concepto a los modelos generativos de imágenes) permite predecir la estructura de complejos que incluyen proteínas, ácidos nucleicos (ADN y ARN), iones metálicos y moléculas pequeñas, todo en una sola inferencia.

Precisión atómica en el diseño de fármacos

La aplicación más inmediata está en el descubrimiento de fármacos. Diseñar un medicamento implica encontrar una molécula que se una a una diana específica —habitualmente una proteína implicada en una enfermedad— con alta selectividad. El proceso tradicional combina cribado de millones de compuestos con iteraciones de química medicinal: costoso, lento y con alta tasa de fracaso.

AlphaFold 3 puede predecir cómo se unirá una molécula pequeña a su diana proteica antes de sintetizarla. Los benchmarks publicados por DeepMind muestran mejoras sustanciales respecto a los métodos anteriores de docking molecular. Varios laboratorios farmacéuticos han integrado la herramienta en sus pipelines de descubrimiento, aunque la validación experimental sigue siendo obligatoria: el modelo comete errores, especialmente con interacciones que no están bien representadas en los datos de entrenamiento.

La controversia del acceso

La presentación de AlphaFold 3 generó una disputa inusual en la comunidad científica. A diferencia de AlphaFold 2, cuyo código fue publicado como software libre, DeepMind lanzó AlphaFold 3 como servidor web con acceso restringido para uso comercial. Varios grupos académicos protestaron, argumentando que el paper en Nature describía el sistema pero no permitía reproducirlo ni auditarlo independientemente.

Tras la presión pública, DeepMind publicó el código de inferencia bajo una licencia que permite uso académico pero no comercial, y con restricciones sobre la generación de datos para entrenar modelos competidores. El debate sobre los modelos de acceso en IA científica —especialmente cuando los datos de entrenamiento provienen de bases de datos públicas financiadas con fondos públicos— sigue abierto.