Primera aplicación de inteligencia artificial para predecir la estructura de todas las proteínas conocidas (AlphaFold DB)
Google DeepMind y EMBL-EBI han poblado una base de datos con más de 200 millones de estructuras proteicas predichas, acelerando radicalmente el desarrollo de fármacos y la comprensión de los mecanismos moleculares de las enfermedades.
Introducción
En 2020, en la conferencia CASP14 (Critical Assessment of protein Structure Prediction), ocurrió un evento que biólogos y farmacólogos habían esperado durante casi medio siglo. AlphaFold 2 de Google DeepMind predijo la estructura tridimensional de las proteínas a partir de sus secuencias de aminoácidos con una precisión comparable a los métodos experimentales. Esto fue aclamado como "resolver el problema de las proteínas de 50 años".
Dos años después, en julio de 2022, DeepMind y el Instituto Europeo de Bioinformática EMBL-EBI dieron el siguiente paso, no menos significativo que la propia victoria científica. Abrieron el acceso gratuito a la Base de Datos de Estructuras de Proteínas AlphaFold (AlphaFold DB), que contiene más de 200 millones de estructuras proteicas predichas, prácticamente todas las proteínas conocidas por la ciencia del catálogo UniProt.
En 2024, el avance fue coronado con el Premio Nobel de Química, otorgado a Demis Hassabis y John Jumper. Y ya en 2025–2026, el mundo fue testigo de cómo las predicciones de estructuras se convierten en fármacos reales que entran en ensayos clínicos. Este artículo trata sobre cómo una sola base de datos cambió radicalmente el panorama de la ciencia biomédica.
Detalles del Evento y Cronología
Etapa 1: Revolución en la Predicción (2020)
En CASP14, AlphaFold 2 alcanzó una puntuación GDT media (una medida de precisión de predicción) superior al 90%, lo que los expertos consideraron equivalente a la resolución experimental. Esto significó que, a partir de ahora, se podía determinar una estructura proteica en horas en lugar de meses o años de trabajo de laboratorio.
Etapa 2: Creación de la Base de Datos (2021–2022)
En 2021, DeepMind y EMBL-EBI lanzaron la primera versión de AlphaFold DB, que contenía 350.000 estructuras para 20 organismos biológicamente significativos. La segunda versión amplió la colección a casi un millón de modelos.
El momento clave llegó el 28 de julio de 2022. EMBL-EBI anunció un lanzamiento que aumentó la base de datos de menos de un millón a 214.684.311 estructuras tridimensionales predichas. Como dijo entonces el subdirector de EMBL-EBI, Ewan Birney: "A partir de hoy, la base de datos se ha expandido de un millón a más de 200 millones de estructuras, cubriendo casi todo UniProt".
Etapa 3: AlphaFold 3 y Más Allá (2024–2025)
En mayo de 2024, DeepMind e Isomorphic Labs lanzaron AlphaFold 3. El nuevo sistema fue más allá de las proteínas individuales: aprendió a predecir la estructura de complejos de ADN, ARN, iones, ligandos y modificaciones postraduccionales. En la prueba PoseBusters (que evalúa la precisión de la unión proteína-ligando), AlphaFold 3 mostró una mejora del 50% sobre los mejores métodos tradicionales.
Etapa 4: Reconocimiento y Primeros Fármacos (2024–2026)
En octubre de 2024, Hassabis y Jumper recibieron el Premio Nobel. Y en abril de 2026, en la conferencia WIRED Health, el presidente de Isomorphic Labs, Max Jaderberg, anunció: la compañía está preparando los primeros fármacos diseñados por IA para ensayos clínicos en humanos.
Impacto y Significado
Para el Mundo Científico
AlphaFold DB cambió la forma misma en que trabajan los biólogos estructurales:
- Escala: Más de 3 millones de investigadores de 190 países han utilizado la base de datos, incluidos más de un millón de científicos de países de ingresos bajos y medios.
- Velocidad de Descubrimiento: Los investigadores que usan AlphaFold son un 40% más activos en publicar nuevas estructuras experimentales, y estas estructuras se encuentran con más frecuencia en áreas previamente inexploradas.
- Impacto de Citas: Los artículos relacionados con AlphaFold se citan en artículos clínicos el doble de veces que los trabajos típicos de biología estructural.
Los ejemplos de aplicaciones reales son impresionantes:
- En Europa, AlphaFold ayudó a comprender la estructura de la proteína Vitelogenina en las abejas melíferas; esto se utiliza en programas para salvar poblaciones en peligro.
- Durante años, los científicos no pudieron obtener la estructura de la apolipoproteína B100, una proteína clave del colesterol "malo" (LDL). AlphaFold 2 reveló su compleja forma "celular", proporcionando a los farmacólogos un plano atómico para crear nuevas terapias contra la aterosclerosis.
- Estudiantes universitarios turcos, sin formación previa en biología estructural, aprendieron de los tutoriales de AlphaFold y posteriormente publicaron 15 artículos científicos.
Para la Industria Farmacéutica
AlphaFold se convirtió en un catalizador para el descubrimiento de fármacos:
- Alrededor del 40% de las nuevas estructuras depositadas en el Protein Data Bank (PDB) de 2024 a 2025 se obtuvieron utilizando métodos de IA.
- Isomorphic Labs, una escisión de DeepMind, recaudó 600 millones de dólares en inversiones y formó asociaciones con Eli Lilly y Novartis.
- Se desarrolló un motor propietario, IsoDDE, que la empresa afirma que duplica con creces la precisión de AlphaFold 3 en el diseño de fármacos.
Para la Sociedad
La principal promesa de AlphaFold es acelerar la creación de fármacos para enfermedades difíciles de tratar. "Las moléculas que diseñamos son altamente efectivas, se pueden tomar en dosis más bajas y tienen menos efectos secundarios", dijo Jaderberg. La misión de Isomorphic Labs, declarada como "resolver todas las enfermedades", ya no parece ciencia ficción.
Sin embargo, investigadores de la Universidad de Illinois advierten: "AlphaFold predice la estructura, pero no la función de la proteína ni su comportamiento en una célula viva. Aún no se han creado fármacos basados en IA; desde la idea hasta la clínica hay un largo camino".
Reacciones de los Actores Clave
Google DeepMind y la Comunidad Científica. Para DeepMind, esto se convirtió en la principal prueba de que la IA puede impulsar la ciencia fundamental. El equipo continúa desarrollando modelos relacionados: AlphaMissense y AlphaGenome para análisis de mutaciones, AlphaProteo para diseñar proteínas de unión contra el cáncer y la diabetes.
Editores y Bases de Datos. Paradójicamente, el éxito de AlphaFold DB creó un problema de "envejecimiento de datos". Dado que la base de datos no se ha actualizado desde 2022, mientras que la biblioteca UniProt continúa editándose y refinándose, han surgido discrepancias. En junio de 2025, de las 20.504 estructuras humanas en AlphaFold DB, 631 contradecían la entrada actual de UniProt. Para el ratón, las discrepancias fueron del 2,4%, y para el pez cebra, casi el 43% debido a una limpieza masiva del proteoma. La revista Nature Structural & Molecular Biology advierte directamente: los investigadores deben verificar las versiones más recientes de las secuencias.
Críticos. El científico estadounidense Sarfraz Niazi, en varias publicaciones (incluida una aceptada por Nature), sostiene que el Premio Nobel por AlphaFold 2 se otorgó prematuramente. En su opinión, el modelo no puede predecir la estructura para una secuencia de aminoácidos completamente nueva y no refleja la dinámica de las proteínas en condiciones fisiológicas. Aunque muchos colegas disputan la categoricidad de sus conclusiones, el mero hecho del debate subraya que la IA en biología está solo al comienzo de su camino.
Pronóstico y Conclusiones
Lo que tenemos a partir de 2026:
- Una base de datos de más de 200 millones de estructuras, que cambia el enfoque para resolver problemas desde la agricultura hasta la cardiología.
- Un Premio Nobel que legitima la IA como un método completo en química y biología.
- Las primeras moléculas diseñadas por IA preparándose para ensayos en humanos.
Principales Desafíos:
- Actualización de la Base de Datos. AlphaFold DB necesita una versión 2.0 con sincronización en tiempo real con UniProt; de lo contrario, el valor del recurso disminuirá.
- De la Predicción al Fármaco. El porcentaje de diseños de IA que superarán las tres fases de ensayos clínicos aún se desconoce. La historia conoce muchas tecnologías prometedoras que se estrellaron contra la realidad del cuerpo humano.
- Dinámica y Múltiples Estados. AlphaFold 3 todavía tiene dificultades para predecir transiciones conformacionales de proteínas y puede "alucinar" en regiones no estructuradas.
Conclusión: AlphaFold DB no es el final de la biología estructural, sino su nuevo comienzo. Los experimentos (cristalografía, RMN, criomicroscopía electrónica) no han desaparecido. Por el contrario, en 2025–2026, el PDB está viendo un número récord de nuevas estructuras confirmadas experimentalmente, en parte porque la IA ayuda a los biólogos a elegir los objetivos más prometedores. Lo que estamos experimentando no es el reemplazo del laboratorio por la computadora, sino la multiplicación de la inteligencia humana por las capacidades de la máquina. Y si los pronósticos de Isomorphic Labs son correctos, en los próximos 5 a 10 años veremos los primeros fármacos nacidos de predicciones digitales.
— Editorial Team
