biología · global
La IA adelanta la primera pregunta del diseño de fármacos: dónde atacar la proteína
Site4Drug intenta hacer que la “selección del sitio diana” deje de ser solo una intuición de caja negra: organiza la topología de las proteínas, la accesibilidad y las limitaciones químicas en juicios trazables, pero por ahora sigue siendo una propuesta metodológica en fase de prepublicación, con un camino de validación pendiente antes de convertirse en una herramienta para decisiones de desarrollo de fármacos.
En el descubrimiento de fármacos, la pregunta más temprana, y a menudo la más subestimada, no es cómo diseñar la molécula, sino qué segmento de la proteína merece realmente ser tocado. Si el sitio elegido está en el lado interno de la membrana celular, queda oculto por glicosilación u otras modificaciones, o aunque tenga un bolsillo atractivo no es accesible en el entorno biológico, el diseño posterior de anticuerpos, péptidos o moléculas pequeñas, por sofisticado que sea, puede estar construido sobre un punto de partida equivocado.
Una prepublicación publicada en arXiv el 1 de junio presentó Site4Drug, un AI agent para predecir regiones de proteínas a las que pueden unirse fármacos. El equipo de investigación lo posiciona como un sistema de selección de sitios “con conciencia de modalidad”: no solo enumera dianas candidatas, sino que también ordena las regiones intervenibles de la proteína, con restricciones, resúmenes de evidencia, marcas de riesgo y registros de decisión trazables.
Este planteamiento apunta a un paso muy inicial dentro del flujo de descubrimiento de fármacos con IA. Muchos modelos generativos pueden proponer candidatos de anticuerpos, péptidos o moléculas pequeñas, pero si el usuario debe especificar desde el comienzo la forma del fármaco, el sistema puede fijar demasiado pronto una estrategia equivocada. El diseño de Site4Drug intenta partir del mismo conjunto de evidencia biofísica y de secuencia para determinar si una región es más adecuada para la unión de anticuerpos o péptidos, o si es más probable que pueda sostener un bolsillo para moléculas pequeñas.
Según el resumen, las señales incorporadas por Site4Drug incluyen topología de proteínas, hidrofobicidad, propensión a modificaciones postraduccionales, enlaces disulfuro, contexto de dominios y secuencia de aminoácidos. Esta información es especialmente importante para las proteínas de membrana, porque estas suelen enfrentar al mismo tiempo restricciones como orientación intracelular y extracelular, regiones transmembrana, glicosilación y grado de exposición superficial; un sitio que parece razonable en un modelo estructural no necesariamente puede ser alcanzado por un fármaco.
Otro énfasis es que sea “auditable”. En entornos experimentales y de desarrollo de fármacos, los investigadores no solo necesitan un resultado de clasificación, sino también saber por qué el modelo excluye ciertas regiones, por qué se inclina por una determinada modalidad de fármaco y qué juicios dependen de inferencias en lugar de evidencia directa. Si este tipo de registros puede producirse de forma estable, ayudaría a los expertos humanos a examinar las recomendaciones de la IA, en lugar de tener que aceptar una puntuación difícil de interrogar.
Sin embargo, este artículo es actualmente una prepublicación de arXiv y señala que fue aceptado en el taller de ICML 2026 “Generative and Agentic AI for Biology”; el resumen público no ofrece casos clínicos, validación con experimentos húmedos ni resultados de pruebas prospectivas a gran escala. Por lo tanto, en esta etapa es más apropiado considerar Site4Drug como un marco metodológico: propone cómo poner múltiples tipos de evidencia para la selección de sitios diana dentro de un mismo flujo verificable, en lugar de demostrar que ya puede mejorar de forma fiable la tasa de éxito de fármacos candidatos.
La verdadera prueba vendrá después. Para entrar en la práctica de I+D farmacéutica, estos sistemas deberán compararse repetidamente en dianas conocidas, casos fallidos y distintas familias de proteínas, para confirmar que pueden evitar sitios biológicamente inaccesibles o con un riesgo de desarrollo demasiado alto; si se utilizan para influir en inversiones importantes o decisiones preclínicas, también necesitarán un control de versiones más claro, registros de fuentes de datos y límites de responsabilidad. La IA puede dar más orden a los juicios tempranos, pero en el descubrimiento de fármacos ese orden todavía debe someterse a la prueba experimental.