AlphaFold 3: la inteligencia artificial de Google nos acerca hacia la compresión del universo celular

La rama de la ciencia que indaga en la complejidad del interior celular con detalle atómico se denomina biología estructural. Esta disciplina vio la luz a mediados del siglo XX con las estructuras de la doble hélice de ADN y de las primeras proteínas (hemoglobina y mioglobina), dos hitos de la investigación en biología reconocidos con sendos Premios Nobel. Se requieren años y el uso de tecnología de frontera para aplicar esta aproximación experimental, que ha permitido determinar la estructura de unas 200.000 proteínas, aproximadamente una milésima parte del universo proteico.

En 2020, la empresa DeepMind, filial de Google, desarrolló una inteligencia artificial conocida como AlphaFold que, tras ser entrenada con las estructuras de proteínas obtenidas experimentalmente, consiguió predecir la estructura de cualquier otra proteína con alta fiabilidad. Dos años más tarde, DeepMind y el centro paneuropeo de investigación EMBL lanzaron una base de datos de acceso abierto con las predicciones de AlphaFold 2 para todas las proteínas conocidas, unos 200 millones.

Este miércoles se publica en la revista 'Nature' una mejora de la inteligencia artificial de Google, llamada AlphaFold 3, que supone un importante avance por varias razones. En primer lugar, porque puede predecir estructuras no solo de proteínas, sino también de ácidos nucleicos. En segundo lugar, porque puede revelar la estructura de proteínas con modificaciones químicas que son esenciales para su funcionalidad. Y en tercer lugar, porque predice las interacciones entre las proteínas y otras moléculas más pequeñas que regulan su actividad.

Este último desarrollo puede revolucionar el campo de la búsqueda de nuevos fármacos. Descubrir un fármaco es una tarea compleja y costosa que, en sus etapas iniciales, implica la síntesis química de un gran número de compuestos y su validación experimental en animales. AlphaFold 3 ha demostrado una mejora sustancial respecto a otras herramientas, lo que debería reducir significativamente el tiempo de desarrollo y la experimentación animal.

A pesar de su potencial, AlphaFold 3 no está exento de limitaciones, como señalan los autores del trabajo. Por ejemplo, en casos complejos el algoritmo predice regiones de distintas moléculas ocupando el mismo espacio, lo cual es imposible. En cuanto a las zonas flexibles de las proteínas, que carecen de forma ordenada, tiende a predecir que adoptan una estructura concreta, lo que puede llevar a interpretaciones erróneas. El algoritmo tampoco predice con exactitud el dinamismo de las moléculas, esencial para su función. Por último, los autores muestran un número limitado de casos de éxito.

Por otro lado, sorprende que el código no sea abierto y que el método se ofrezca en un servidor «con restricciones sobre los ligandos permitidos y las modificaciones covalentes», como se señala en la publicación. Cabe esperar que iniciativas públicas y abiertas, como la que lidera David Baker en la Universidad de Washington, desarrollen herramientas equivalentes. En conclusión, las innovaciones en inteligencia artificial aplicada a la biología, combinadas con estudios experimentales que den significado y complementen las predicciones, auguran una nueva era en la comprensión del universo microscópico que habita en las células.