← Volver al inicio

El preprint de OpenDDE publica un modelo abierto de todos los átomos, y la IA para fármacos avanza hacia una base estructural verificable

Aureka AI ha hecho públicos el código, los pesos y el proceso de evaluación de su modelo de coplegamiento, para que el razonamiento sobre estructuras moleculares en el descubrimiento de fármacos deje de quedar limitado a sistemas cerrados; pero sigue siendo un resultado temprano en formato preprint, y aún queda un camino de validación antes de que pueda usarse realmente para cribar fármacos, estimar afinidad o diseñar terapias.

By SURL BioNews

Uno de los errores más costosos en el desarrollo de fármacos es juzgar mal, antes de que una molécula entre siquiera al laboratorio, cómo se acercará, interferirá o estabilizará un blanco biológico. El preprint de OpenDDE publicado por Aureka AI en arXiv apunta precisamente a esa etapa temprana de decisión: usar un modelo fundacional biomolecular abierto de todos los átomos para ayudar a inferir las relaciones tridimensionales de proteínas, anticuerpos, ácidos nucleicos y otras moléculas dentro de complejos.

El nombre completo de OpenDDE es Open Drug Discovery Engine. El equipo de investigación lo sitúa como una capa de razonamiento estructural centrada en el “coplegamiento”: no solo predice la forma de una proteína individual, sino que intenta manejar simultáneamente las conformaciones de múltiples moléculas cuando se unen entre sí. Según el artículo, el sistema se centra por ahora en la predicción de estructuras de complejos, y solo en el futuro se extenderá al diseño de nuevas moléculas, la estimación de afinidad y la optimización de candidatos farmacológicos condicionada por estructura.

La señal de esta publicación no está solo en el modelo en sí, sino también en su grado de apertura. El preprint indica que OpenDDE publica el código de entrenamiento, el flujo de inferencia, los puntos de control del modelo y las pruebas de referencia, bajo licencia Apache-2.0. Para la IA biomédica, esto significa que investigadores externos tienen la oportunidad de volver a ejecutar el proceso y examinar el procesamiento de datos y la configuración de evaluación, en lugar de limitarse a leer resúmenes de resultados de modelos cerrados.

En su ruta técnica, OpenDDE adopta una arquitectura de generación estructural de grueso a fino: primero construye una representación relacional a nivel de residuos, luego la despliega en tokens estructurales más finos, como el esqueleto proteico, las cadenas laterales, el esqueleto de ácidos nucleicos, las bases y unidades de ligando o atómicas, y finalmente genera posiciones de todos los átomos mediante un generador de coordenadas basado en difusión. El equipo también incorporó un objetivo de entrenamiento de complementariedad de forma en la interfaz, con la esperanza de que el modelo no solo coloque los átomos en posiciones cercanas, sino que refleje mejor la orientación, la distancia y el apilamiento local de las superficies de unión.

La principal validación presentada en el preprint se concentra en la predicción de estructuras anticuerpo-antígeno. El equipo de investigación afirma que OpenDDE alcanzó tasas de éxito DockQ de 51.0%, 70.0% y 66.4% en los conjuntos de datos PXMeter-AB, FoldBench-AB y 2026ARK-AB, respectivamente, y que superó en varias comparaciones a modelos como AlphaFold3, Chai-1, Boltz-1, OpenFold3, Protenix-v1 y ESMFold2. Este tipo de tarea tiene importancia práctica, porque el diseño temprano de terapias con anticuerpos suele requerir evaluar si el anticuerpo se adhiere al epítopo del antígeno con la postura correcta; pero esas cifras siguen procediendo de evaluaciones reportadas por el equipo en el preprint, y aún requieren más reproducciones independientes.

Contexto

En los últimos años, la IA biomolecular ha pasado gradualmente del plegamiento de proteínas individuales a tareas con complejos, anticuerpos, ligandos y diseño. AlphaFold3 puso en el centro el modelado a nivel atómico de interacciones entre múltiples tipos de moléculas, y los sistemas abiertos y comerciales posteriores han intentado llevar la predicción estructural hacia los procesos de descubrimiento de fármacos. La diferencia de OpenDDE es que coloca en el centro de su planteamiento una “base abierta accesible”, respondiendo al problema de que los modelos cerrados de alto rendimiento son difíciles de auditar, comparar y modificar.

Las limitaciones son igualmente claras. Los autores del artículo reconocen que OpenDDE se concentra actualmente sobre todo en interfaces proteína-proteína y anticuerpo-antígeno, y que no puede afirmarse directamente que ya sea adecuado para acoplamiento de ligandos de moléculas pequeñas, cribado virtual o clasificación por afinidad; estas tareas podrían requerir una organización de datos más orientada a la química, postentrenamiento y evaluaciones especializadas. El equipo también señala que la comparación con sistemas cerrados como IsoDDE está limitada por la falta de información pública, lo que dificulta determinar si las diferencias proceden de la arquitectura, los datos, la estrategia de entrenamiento o la ingeniería de inferencia.

Por eso, OpenDDE se parece más a una infraestructura estructural abierta que a una máquina madura de descubrimiento automático de fármacos. Podría reducir la barrera de entrada para que equipos académicos y pequeños grupos accedan al modelado biomolecular avanzado, y también permitir que distintos laboratorios usen la misma herramienta para evaluar interfaces de anticuerpos, proteínas candidatas de unión o nuevas hipótesis de diseño; si realmente podrá acortar el ciclo de desarrollo de fármacos dependerá todavía de que los próximos bancos de prueba independientes, la retroalimentación de experimentos húmedos y las decisiones preclínicas logren conectarse con el razonamiento estructural que proporciona este modelo.

References

  1. arXiv