Volver a los artículos

Científicos desarrollan nuevo modelo de IA para el plegamiento de proteínas

2 de octubre de 2025
Reportado por IA

Investigadores han presentado un sistema de IA innovador que predice estructuras de proteínas con una precisión sin precedentes. El modelo, entrenado en vastos conjuntos de datos, podría revolucionar el descubrimiento de fármacos y la biotecnología. Este avance se basa en trabajos previos en biología computacional.

En un anuncio reciente, un equipo de científicos introdujo un modelo avanzado de inteligencia artificial diseñado para resolver el desafío de larga data del plegamiento de proteínas. El plegamiento de proteínas se refiere al proceso por el cual las proteínas, bloques de construcción esenciales de la vida, adquieren sus formas tridimensionales funcionales a partir de cadenas lineales de aminoácidos. Comprender este proceso es crucial para campos como la medicina e ingeniería, ya que las proteínas mal plegadas están implicadas en enfermedades como el Alzheimer y el Parkinson.

El nuevo modelo, llamado AlphaFold 3, fue desarrollado por investigadores de DeepMind, una subsidiaria de Alphabet Inc. Alcanza más del 90% de precisión en la predicción de estructuras para una amplia gama de proteínas, incluyendo aquellas que interactúan con ADN, ARN y otras moléculas. 'Este es un avance significativo que nos permite modelar interacciones biomoleculares complejas que anteriormente eran intratables', dijo Demis Hassabis, CEO de DeepMind, en un comunicado.

La línea de tiempo del desarrollo se remonta a 2018, cuando el AlphaFold inicial de DeepMind ganó la competencia Critical Assessment of Structure Prediction (CASP). Iteraciones posteriores mejoraron la precisión, con AlphaFold 2 lanzado en 2020, haciendo disponibles las predicciones a la comunidad científica global a través de una base de datos pública. La versión más reciente amplía las capacidades a ligandos y modificaciones, abordando brechas en modelos anteriores.

El contexto de fondo resalta la importancia de este trabajo. Los métodos experimentales tradicionales, como la cristalografía de rayos X, son consumidos en tiempo y costosos, a menudo tomando años. Las predicciones impulsadas por IA aceleran la investigación; por ejemplo, durante la pandemia de COVID-19, AlphaFold ayudó a identificar objetivos potenciales de fármacos. El modelo fue entrenado con datos del Protein Data Bank, que contiene más de 200.000 estructuras determinadas experimentalmente.

Las implicaciones son de amplio alcance. En el descubrimiento de fármacos, un modelado de proteínas más rápido podría acortar los plazos de desarrollo de 10-15 años a meros meses, potencialmente llevando a nuevos tratamientos para cánceres y enfermedades infecciosas. Sin embargo, surgen consideraciones éticas, incluyendo la privacidad de datos en la investigación genómica y el acceso equitativo a la tecnología. DeepMind se ha comprometido a abrir el código fuente de partes del modelo para fomentar la colaboración.

Aunque la comunidad científica elogia la innovación, algunos expertos señalan limitaciones, como desafíos con proteínas intrínsecamente desordenadas. En general, este desarrollo marca un momento pivotal en la biología computacional, prometiendo desbloquear nuevas fronteras en la salud y más allá.

Static map of article location