AlphaFold 3 traspasa la frontera de las proteínas y lleva la predicción estructural con IA a la era de las interacciones moleculares

Cuando los investigadores quieren entender por qué una molécula candidata a fármaco puede encajar en el bolsillo de una proteína, o cómo un fragmento de RNA forma un complejo con una proteína, lo verdaderamente decisivo no suele ser la forma de una molécula aislada, sino la manera en que unas y otras se tocan, rotan, se aproximan y se repelen. AlphaFold 3, publicado por DeepMind e Isomorphic Labs en Nature, intenta precisamente llevar la predicción estructural con IA desde “ver proteínas” hasta “ver cómo se encuentran las biomoléculas”.

Este modelo continúa la revolución en predicción de estructuras proteicas impulsada por AlphaFold 2, pero con un objetivo más amplio. El artículo señala que AlphaFold 3 puede predecir estructuras de complejos formados por proteínas, DNA, RNA, ligandos de molécula pequeña, iones y residuos modificados. En otras palabras, ya no se ocupa solo del esqueleto proteico más familiar en las ciencias de la vida, sino que intenta describir, dentro de un mismo marco de aprendizaje profundo, interacciones moleculares más cercanas al entorno real dentro de la célula.

En términos técnicos, AlphaFold 3 adopta una arquitectura de modelo de difusión ampliamente actualizada, genera directamente coordenadas atómicas y sustituye el diseño evoformer más pesado de AlphaFold 2 por un módulo pairformer más simplificado. Este cambio facilita que el modelo maneje distintas entidades químicas sin tener que construir un conjunto de reglas altamente personalizado para cada tipo de interacción molecular. El artículo también menciona que el modelo puede partir de entradas como secuencias de polímeros, modificaciones de residuos y representaciones SMILES de moléculas pequeñas para generar estructuras de complejos.

El equipo de investigación evaluó el desempeño del modelo con varios tipos de pruebas de referencia, incluidas interacciones proteína-ligando, interacciones proteína-ácido nucleico, interfaces anticuerpo-antígeno, estructuras de RNA y datos estructurales recientes procedentes del Protein Data Bank. En el informe del artículo, AlphaFold 3 superó a varias herramientas especializadas en la mayoría de las categorías; por ejemplo, en interacciones proteína-ligando mostró una mayor precisión estructural frente a herramientas tradicionales de acoplamiento, y logró avances claros frente a métodos existentes en la predicción proteína-ácido nucleico y anticuerpo-antígeno.

Esto lo convierte en un tipo de herramienta relativamente concreto dentro de la IA biomédica. Para el desarrollo de fármacos, la información estructural puede ayudar a evaluar si una molécula pequeña podría entrar en el bolsillo de una proteína diana, si un anticuerpo podría contactar regiones clave de un antígeno, o si una combinación molecular en terapias relacionadas con ácidos nucleicos es razonable. Esta información puede influir en la investigación temprana de dianas, el diseño de moléculas candidatas y la priorización de experimentos, y no solo aportar imágenes tridimensionales atractivas.

Sin embargo, sigue habiendo una larga distancia entre la predicción estructural y el éxito de un fármaco. El modelo responde mejor a “cómo podrían colocarse juntas las moléculas”, pero no puede demostrar directamente la fuerza de unión, la actividad celular, la toxicidad, la estabilidad metabólica o si será eficaz en el cuerpo humano. Esto es especialmente cierto en los fármacos de molécula pequeña, donde la pose de unión es solo una parte de la cadena de desarrollo; que un candidato a fármaco pueda fabricarse, absorberse, distribuirse y superar ensayos clínicos sigue requiriendo el respaldo de datos experimentales y clínicos.

El artículo también muestra que este tipo de modelos generativos debe enfrentarse a salidas estructurales que parecen razonables pero pueden ser erróneas. El equipo de investigación utilizó métodos como la destilación cruzada y la evaluación de confianza para reducir el riesgo de alucinaciones, pero los usuarios aún deben interpretar la incertidumbre del modelo, especialmente cuando faltan datos de entrenamiento cercanos, la flexibilidad molecular es alta o el estado biológico se ve afectado por condiciones ambientales. Para los reguladores y la industria farmacéutica, AlphaFold 3 se parece más a una herramienta candidata para mejorar la eficiencia de la investigación preclínica que a una fuente de evidencia capaz de sostener decisiones por sí sola.

Por eso, la importancia de AlphaFold 3 no reside en declarar que la IA ya ha reemplazado a la biología estructural, sino en haber desplazado de forma considerable hacia etapas más tempranas el punto de entrada computacional de la biología estructural. Si en el futuro puede integrarse más estrechamente con criomicroscopía electrónica, cristalografía de rayos X, espectrometría de masas, experimentos celulares y datos de farmacología preclínica, este tipo de modelos podría cambiar el ritmo con que los investigadores plantean hipótesis y organizan experimentos; pero su valor, en última instancia, tendrá que medirse dentro de procesos de biología molecular y desarrollo de fármacos que puedan verificarse de forma reproducible.