AlphaFold 3 abrió las compuertas. Ahora la carrera es por el primer fármaco diseñado con IA aprobado por la FDA.

Cuando DeepMind lanzó AlphaFold 2 en 2020, resolvió un problema de biología computacional de 50 años: predecir la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos. La comunidad científica lo celebró como una de las herramientas de investigación más importantes jamás creadas. Luego, DeepMind lanzó AlphaFold 3 en mayo de 2024, y el alcance cambió por completo.

AlphaFold 3 no solo predice estructuras de proteínas. Modela interacciones proteína-ligando, complejos proteína-ADN, complejos proteína-ARN y la unión anticuerpo-objetivo, todo simultáneamente. Para el descubrimiento de fármacos, la diferencia es enorme. Un fármaco no se diseña para unirse a una proteína aislada; necesita unirse a la conformación correcta de una proteína, en presencia de moléculas competidoras, sin afectar objetivos no deseados que causan efectos secundarios. AlphaFold 3 modela ese contexto molecular completo. Su precisión en la predicción de unión anticuerpo-objetivo mejoró un 50% respecto a métodos anteriores.

De la predicción al pipeline

Varias compañías farmacéuticas han trasladado objetivos diseñados con AlphaFold a programas clínicos activos. Moderna, GSK y múltiples startups biotecnológicas están ejecutando campañas de descubrimiento que comienzan con predicciones estructurales de AlphaFold 3, validan candidatos computacionalmente usando la geometría de unión predicha, y proceden a la síntesis solo para las moléculas mejor clasificadas. Esto invierte el flujo de trabajo tradicional, que genera miles de compuestos químicos y los prueba experimentalmente antes de cualquier filtrado computacional.

Las implicaciones de tiempo y costo son significativas. El descubrimiento temprano de fármacos —identificar un objetivo prometedor y llegar a un candidato clínico— normalmente toma de cinco a siete años y cuesta cientos de millones de dólares. Los primeros en adoptar pipelines integrados con AlphaFold reportan una compresión de los plazos iniciales del 30 al 50 por ciento. Eso no cambia los requisitos de los ensayos clínicos de fase 2 y 3, pero acelera el punto en que un compuesto entra en ensayos, lo que altera la economía de todo el programa.

AlphaProteo de Google va más allá

En septiembre de 2024, DeepMind lanzó AlphaProteo, un sistema complementario que no solo predice cómo las proteínas se unen a ligandos, sino que diseña nuevos agentes de unión proteica para objetivos específicos desde cero. El sistema generó agentes de unión para marcadores de cáncer y receptores relacionados con la diabetes con una afinidad de unión superior a la de candidatos farmacológicos existentes en varios casos de prueba.

AlphaProteo representa un cambio cualitativo: en lugar de trabajar con fármacos de molécula pequeña derivados de la química, permite el diseño de fármacos biológicos impulsado por ingeniería de proteínas computacional. Los biológicos históricamente han requerido laboriosos procesos de evolución en laboratorio (rondas iterativas de mutación y selección) para mejorar la afinidad de unión. AlphaProteo puede proponer agentes de alta afinidad computacionalmente, reduciendo el trabajo húmedo a validación en lugar de descubrimiento.

La cuestión de la FDA

La FDA aún no ha aprobado un fármaco donde la IA haya sido el agente de diseño principal. Varios fármacos desarrollados con herramientas de descubrimiento asistido por IA se encuentran en ensayos avanzados. La vía regulatoria para fármacos diseñados con IA se está desarrollando activamente; la FDA ha emitido guías sobre IA en la fabricación de medicamentos y está realizando reuniones previas a la presentación con empresas que desean incluir documentación de diseño de IA en sus solicitudes de Nuevos Medicamentos en Investigación.

Se espera que el primer fármaco aprobado con una contribución significativa de IA al diseño molecular llegue en los próximos dos o tres años, según los plazos clínicos actuales. Las afirmaciones de 'primer fármaco con IA' serán disputadas: la definición de 'diseñado con IA' es genuinamente confusa cuando la IA ayuda en el descubrimiento pero los humanos toman decisiones clave de diseño. Lo que es inequívoco es que ningún fármaco que llegue al mercado hoy habría sido posible sin herramientas de IA en el pipeline de descubrimiento.

La infraestructura de datos detrás del avance

El impacto de AlphaFold en el campo va más allá de sus predicciones. DeepMind lanzó la base de datos completa de estructuras de proteínas de AlphaFold en 2022, proporcionando estructuras predichas para prácticamente todas las proteínas conocidas: aproximadamente 200 millones de estructuras. Antes de AlphaFold, el Protein Data Bank contenía alrededor de 170.000 estructuras determinadas experimentalmente acumuladas durante 50 años.

Esta disponibilidad de datos ha permitido una segunda ola de aplicaciones de IA: predicción de sitios de unión, evaluación de riesgos de objetivos no deseados, predicción de propiedades ADMET (absorción, distribución, metabolismo, excreción, toxicidad). Cada una de estas históricamente requería costosos ensayos experimentales; la evaluación computacional utilizando estructuras de AlphaFold ahora puede filtrar candidatos antes de la síntesis. El efecto es una aceleración compuesta donde cada etapa del pipeline se vuelve más rápida simultáneamente.

Qué viene después de AlphaFold

La frontera actual no es una mejor predicción de estructuras: AlphaFold 3 ya está cerca del límite de lo que los métodos experimentales pueden validar. La frontera es la dinámica: modelar cómo las proteínas se mueven, flexionan y cambian de conformación cuando se unen a un fármaco. La función proteica a menudo está impulsada por cambios conformacionales más que por la estructura estática, y los modelos actuales aún representan las proteínas como instantáneas estáticas.

Varios grupos académicos y startups están trabajando en modelos de dinámica molecular entrenados en grandes conjuntos de datos de simulación, con el objetivo de capturar el comportamiento dependiente del tiempo que la predicción de estructura estática pasa por alto. Cuando esos sistemas maduren, el diseño de fármacos pasará de 'encontrar una molécula que encaje en este bolsillo' a 'encontrar una molécula que desplace esta proteína entre estados' — un problema de diseño fundamentalmente diferente y más completo. AlphaFold hizo manejable la versión estática. La versión dinámica es el desafío de la próxima década.