Biohub lleva la IA de proteínas al escenario abierto, de la predicción estructural a la validación del diseño molecular

Cuando la IA biomédica habla de «modelos del mundo», es fácil que derive hacia consignas abstractas. La razón por la que el sistema ESM presentado ahora por Biohub llama la atención es que devuelve la cuestión al nivel de las proteínas, que puede someterse a verificación experimental: el modelo no solo predice secuencias o estructuras, sino que también intenta ayudar a diseñar interfaces proteicas capaces de unirse a dianas específicas, y lleva parte de los resultados al laboratorio para su prueba.

Según Axios y los materiales públicos de Biohub, este lanzamiento incluye tres componentes principales: el modelo de lenguaje de proteínas ESMC, el modelo de predicción estructural y diseño ESMFold2, y el ESM Atlas ampliado. En su página de GitHub, Biohub lo denomina un «modelo del mundo para la biología de proteínas» y señala que ESM Atlas cubre 6.800 millones de secuencias proteicas, de las cuales más de 1.000 millones de estructuras fueron predichas y generadas por ESMFold2.

ESMC desempeña el papel de modelo base para comprender secuencias proteicas. En la tarjeta del modelo en Hugging Face, Biohub describe que ESMC fue entrenado con miles de millones de secuencias proteicas y puede utilizarse para la representación de proteínas y la ingeniería de proteínas terapéuticas; la versión ESMC-6B tiene 6.000 millones de parámetros y 80 capas, con datos de entrenamiento procedentes de UniRef, MGnify y datos de secuencias del Joint Genome Institute del Departamento de Energía de Estados Unidos, agrupados con una similitud de secuencia del 70%. La página pública también enumera la familia de modelos ESMC-300M, 600M y 6B, lo que implica que los investigadores pueden elegir distintas escalas según sus recursos computacionales.

ESMFold2 lleva la información de secuencia hacia estructuras tridimensionales e hipótesis de interacción molecular. La tarjeta del modelo de Biohub afirma que ESMFold2 puede predecir estructuras tridimensionales de todos los átomos a partir de secuencias de aminoácidos, y que puede incorporar opcionalmente datos de alineamiento de múltiples secuencias; también se describe como capaz de manejar contextos de biomoléculas más allá de las proteínas, incluidas moléculas pequeñas, ADN, ARN y aminoácidos modificados. Sin embargo, estas capacidades siguen siendo resultados del modelo, y Biohub también advierte explícitamente que las predicciones son hipótesis generadas por máquina y no pueden sustituir la determinación experimental de estructuras.

Un aspecto de este lanzamiento con mayor significado biomédico es que Biohub afirma que algunas interfaces proteicas diseñadas por el modelo ya han superado pruebas experimentales. Sus materiales de GitHub mencionan que ESMFold2 realizó validación experimental de minibinders diseñados de novo y scFv derivados de anticuerpos frente a cinco dianas relacionadas con terapias, e informó altas tasas de acierto, afinidad en el rango nanomolar, especificidad de diana y actividad funcional. Esto lo distingue de herramientas de IA que se limitan a mostrar imágenes estructurales atractivas, pero los resúmenes públicos aún no bastan para determinar cuán lejos están estas moléculas de convertirse en candidatos farmacológicos, estudios en animales o ensayos en humanos.

El ESM Atlas ampliado también podría cambiar la forma en que los investigadores entran en espacios de proteínas desconocidos. En el pasado, muchas proteínas de microorganismos ambientales u organismos no cultivados solo contaban con secuencias y carecían de pistas estructurales; si las estructuras predichas a escala de miles de millones pueden consultarse rápidamente, los investigadores podrán formular con más eficiencia hipótesis sobre funciones enzimáticas, interacciones de proteínas virales o nuevas moléculas de unión. El valor de este tipo de atlas no reside en que cada predicción sea correcta, sino en transformar la enorme caja negra de secuencias en problemas candidatos que puedan priorizarse y volver a validarse.

Pero entre una herramienta de investigación y un producto médico sigue habiendo una cadena de evidencia muy larga. Para que el diseño de proteínas entre en usos terapéuticos, debe afrontar inmunogenicidad, estabilidad, fabricación, distribución in vivo, seguridad y revisión regulatoria; el desempeño de un modelo en pruebas de referencia o experimentos in vitro tampoco equivale a poder predecir las respuestas complejas dentro del cuerpo humano. La decisión de Biohub de abrir el código, los pesos de los modelos, los conjuntos de datos y el sistema de diseño ayuda a que más laboratorios reproduzcan, cuestionen y amplíen estos resultados; la verdadera prueba estará en si la comunidad abierta puede convertir esta cadena de herramientas en descubrimientos biológicos fiables y reproducibles.