Cómo la IA está revolucionando la Ciencia
- Pilar Paredes
- hace 18 minutos
- 6 min de lectura
La vida depende de la forma
Durante años, cuando se hablaba de inteligencia artificial, la conversación parecía pertenecer al futuro. Hoy una de sus aportaciones más profundas no está en un robot ni en un asistente que escribe textos, sino en algo mucho más pequeño: las proteínas que hacen posible la vida.
Las proteínas transportan oxígeno, permiten que los músculos se muevan, participan en nuestras defensas y regulan innumerables procesos celulares. Para comprender lo que hace una proteína no basta con conocer su secuencia de aminoácidos: hay que saber qué forma tridimensional adopta. Como ocurre con un collar muy largo, el orden de las cuentas no revela por sí solo la figura que formará al doblarse. En una proteína, esa forma determina cómo funciona y cómo se relaciona con otras moléculas.
Durante décadas, obtener una estructura fiable exigía técnicas experimentales complejas, como la cristalografía de rayos X, la resonancia magnética nuclear o la criomicroscopía electrónica. Son métodos esenciales y continúan siéndolo, pero requieren tiempo, equipamiento especializado y mucho trabajo. Predecir la estructura a partir de la secuencia era uno de los grandes retos de la biología.
Qué es AlphaFold y qué problema resolvió
AlphaFold es un sistema de inteligencia artificial desarrollado por Google DeepMind. Su gran avance llegó con AlphaFold 2, presentado en 2020 y descrito en Nature en 2021. El modelo logró predecir la estructura tridimensional de muchas proteínas con una precisión que, en numerosos casos, se acercaba a la obtenida experimentalmente.
Conviene hacer una precisión: AlphaFold no reproduce paso a paso cómo se pliega una proteína. Predice cuál puede ser su estructura final a partir de su secuencia y de patrones aprendidos con enormes conjuntos de datos biológicos. No observa la naturaleza como lo hace un laboratorio; calcula una hipótesis estructural extraordinariamente informada.
La diferencia es decisiva. Un equipo puede consultar una predicción en minutos, evaluar su nivel de confianza y utilizarla para orientar nuevas preguntas. AlphaFold no elimina la investigación: reduce parte de la incertidumbre inicial y ayuda a decidir dónde invertir tiempo y recursos.
El reconocimiento de su relevancia llegó al máximo nivel en 2024, cuando Demis Hassabis y John Jumper recibieron conjuntamente la mitad del Premio Nobel de Química por la predicción de estructuras de proteínas. La otra mitad fue para David Baker por el diseño computacional de proteínas.
De miles de estructuras a más de 200 millones de predicciones
El impacto de AlphaFold no se explica solo por la precisión del modelo, sino por la escala y el acceso. La base de datos AlphaFold Protein Structure Database, creada por Google DeepMind y EMBL-EBI, reúne predicciones para más de 200 millones de proteínas registradas en UniProt. Para numerosos investigadores, esto significa poder comenzar un proyecto con información estructural que antes sencillamente no existía o era muy difícil de obtener.
Esa disponibilidad democratiza una parte de la biología estructural. Un laboratorio pequeño puede consultar modelos antes inaccesibles, comparar familias de proteínas, proponer funciones para algunas poco conocidas y explorar relaciones evolutivas que no resultan evidentes al mirar únicamente la secuencia.
Sin embargo, democratizar el resultado no elimina todas las desigualdades. Entrenar modelos de esta magnitud exige datos, talento y una capacidad computacional concentrada en pocas organizaciones. AlphaFold puede distribuir conocimiento a una escala inédita y, al mismo tiempo, aumentar la dependencia de infraestructuras muy poderosas.
Cómo está contribuyendo AlphaFold a la ciencia
Su contribución más inmediata no consiste en entregar curas terminadas, sino en acelerar la formulación y la selección de hipótesis. En ciencia, saber qué camino probablemente no conduce a ninguna parte también tiene un enorme valor.
Comprender enfermedades. Si una proteína está vinculada a una patología, conocer su posible estructura ayuda a estudiar qué parte falla, cómo interactúa con otras moléculas y dónde podría intervenirse.
Buscar nuevas dianas terapéuticas. La estructura permite localizar cavidades o zonas de unión que podrían ser relevantes para diseñar o seleccionar moléculas capaces de modificar la actividad de una proteína.
Acelerar el descubrimiento de fármacos. Las predicciones permiten priorizar candidatos antes de pasar a pruebas experimentales costosas. Esto no garantiza que un compuesto vaya a funcionar, pero puede reducir el espacio de búsqueda.
Investigar patógenos. Conocer proteínas de virus, bacterias o parásitos ayuda a comprender sus mecanismos y a identificar puntos vulnerables. Esta ventaja es especialmente valiosa cuando se necesita reaccionar con rapidez.
Diseñar proteínas y enzimas. La capacidad de predecir estructuras se complementa con herramientas de diseño. Se abren posibilidades en medicina, nuevos materiales, procesos industriales y soluciones ambientales, aunque cada propuesta debe validarse en el mundo real.
La aportación central puede resumirse así: AlphaFold comprime una parte del tiempo que transcurre entre una pregunta y una hipótesis comprobable. En lugar de sustituir el método científico, lo alimenta con mejores puntos de partida.
AlphaFold 3: de la forma aislada a las interacciones
En 2024 se publicó AlphaFold 3, una evolución que amplía el problema. La biología no está formada por proteínas aisladas, sino por moléculas que se unen, se separan y cambian de comportamiento. La nueva versión puede modelar complejos que incluyen proteínas, ADN, ARN, pequeñas moléculas, iones y residuos modificados.
Esto resulta especialmente relevante para la investigación farmacológica. Poder anticipar cómo un medicamento interactúa con una diana biológica puede ayudar a priorizar candidatos. Pero pasar de una predicción a un tratamiento seguro y eficaz continúa siendo un recorrido largo que exige pruebas químicas, celulares, preclínicas, clínicas y regulatorias.
Decir que AlphaFold puede acelerar el descubrimiento de fármacos es razonable. Decir que descubre medicamentos completos por sí solo sería una exageración.
Lo que AlphaFold no puede hacer
Toda tecnología transformadora corre el riesgo de convertirse en un relato más grande que su capacidad real. AlphaFold genera predicciones, no verdades absolutas. Sus propios indicadores de confianza son fundamentales para interpretar el resultado.
Además, las proteínas no son esculturas inmóviles. Se mueven, cambian de conformación y actúan en entornos celulares complejos. AlphaFold 2 ofrece principalmente una fotografía estructural y puede tener dificultades con regiones desordenadas, proteínas con pocos parientes conocidos, mutaciones puntuales o estados alternativos. AlphaFold 3 amplía enormemente lo que puede modelar, pero sigue sin representar por completo el comportamiento dinámico de los sistemas biomoleculares y también puede producir errores.
Por eso, la validación experimental no desaparece. Una estructura predicha puede indicar al científico qué experimento hacer, qué compuesto probar o qué mecanismo investigar. No sustituye la evidencia necesaria para afirmar que algo funciona en una célula, un organismo o un paciente.
La verdadera revolución: una nueva forma de organizar el conocimiento
AlphaFold es importante por lo que consigue, pero también por lo que representa. La inteligencia artificial ya no se limita a automatizar tareas conocidas. Puede relacionar cantidades de información que ningún equipo humano podría procesar a la misma velocidad y convertirlas en herramientas para explorar preguntas científicas.
Eso cambia el papel de las personas, pero no lo vuelve secundario. Al contrario: cuanto más potente es la predicción, más necesarios son el criterio, la experiencia y la responsabilidad. Un modelo puede proponer una estructura; alguien debe decidir si es plausible, qué prioridad merece, cómo se valida y con qué finalidad se utiliza.
También obliga a revisar cómo se lidera la investigación. La ventaja ya no procede únicamente de tener más datos o capacidad de cálculo, sino de integrar biología, medicina, química, informática, estadística y ética. Los equipos capaces de traducir una predicción en una pregunta experimental útil convertirán la tecnología en progreso real.
No es magia: es ciencia aumentada
AlphaFold no ha resuelto todas las incógnitas de la biología ni ha convertido el desarrollo de medicamentos en un proceso automático. Ha hecho algo quizá más importante: ha eliminado uno de los grandes cuellos de botella de la investigación y ha puesto a disposición de la comunidad científica un mapa estructural de una escala antes inimaginable.
AlphaFold ofrece una lección que va más allá del laboratorio: la IA más valiosa no siempre reemplaza una tarea humana. A veces amplía lo que podemos observar, reduce años de búsqueda y permite que el conocimiento avance desde un punto de partida mejor.
La máquina puede predecir; la ciencia debe comprobar. Las personas seguimos decidiendo qué problemas merecen atención y al servicio de quién ponemos esa capacidad.
Fuentes consultadas
Comentarios