AlphaFold 3 se abrió a los investigadores — esto es lo que un año de acceso ha producido realmente
Cuando DeepMind lanzó AlphaFold 2 en 2020, resolvió un gran desafío de 50 años en biología: predecir cómo una proteína se pliega a partir de su secuencia de aminoácidos en una estructura tridimensional. La reacción de la comunidad científica fue casi unánime: esta era una de las herramientas biológicas más significativas jamás creadas. En dos años, AlphaFold predijo las estructuras de más de 200 millones de proteínas, esencialmente todo el universo proteico conocido, y las puso a disposición gratuita a través de la base de datos del Instituto Europeo de Bioinformática.
AlphaFold 3, lanzado en 2024, fue más allá. Puede predecir no solo estructuras de proteínas, sino las estructuras de complejos proteicos: proteínas que interactúan simultáneamente con ADN, ARN, ligandos y moléculas farmacológicas pequeñas. Esa es la capacidad que el descubrimiento de fármacos estaba esperando: predecir no solo cómo se ve una proteína, sino cómo interactúa con posibles terapias a resolución atómica.
Lo que AlphaFold 3 realmente predice
La actualización crítica en AlphaFold 3 es su capacidad para modelar interacciones moleculares en lugar de estructuras aisladas. Una molécula farmacológica funciona uniéndose a un objetivo proteico específico, generalmente encajando en un bolsillo de la estructura proteica de una manera que la activa o la inhibe. Predecir esa interacción de unión con precisión requiere modelar los cambios conformacionales que tanto la proteína como la molécula farmacológica experimentan cuando se encuentran.
AlphaFold 3 utiliza una arquitectura basada en difusión (similar a los modelos detrás de la generación de imágenes) en lugar del enfoque basado en Transformer de AlphaFold 2, lo que le permite manejar las entradas moleculares heterogéneas (mezclar proteínas, ácidos nucleicos y moléculas pequeñas en una sola predicción). Los benchmarks publicados en su lanzamiento mostraron que superaba a las herramientas de docking especializadas en tareas de predicción proteína-ligando, que fue el resultado que llamó la atención de los equipos de descubrimiento de fármacos.
Lo que los investigadores han hecho con él
La aplicación más inmediata ha sido el cribado virtual: usar AlphaFold 3 para predecir cómo miles o millones de moléculas farmacológicas candidatas se unen a una proteína diana, y luego filtrar las más prometedoras antes de realizar experimentos físicos. Esto comprime lo que antes era un proceso de identificación de hits de varios años en semanas. Varios laboratorios académicos han publicado preprints que describen nuevos candidatos de unión para dianas difíciles, incluyendo proteínas previamente "no farmacológicas" con bolsillos de unión poco profundos u ocultos, que se identificaron enteramente mediante el cribado computacional guiado por AlphaFold 3.
El diseño de anticuerpos ha sido otra aplicación de alto valor. Predecir cómo un anticuerpo se une a su antígeno, y diseñar variantes de anticuerpos que se unan más firmemente o más específicamente, es ahora significativamente más rápido con AlphaFold 3 que con herramientas computacionales anteriores. Isomorphic Labs, la spin-off de descubrimiento de fármacos de DeepMind, ha revelado que múltiples programas en su pipeline fueron diseñados con asistencia de AlphaFold 3, aunque los datos clínicos no estarán disponibles durante años.
La ingeniería de enzimas ha producido algunos de los resultados concretos más rápidos. Investigadores de varios grupos académicos han utilizado AlphaFold 3 para diseñar nuevas variantes de enzimas que realizan reacciones no encontradas en la naturaleza: descomponer polímeros plásticos específicos, sintetizar análogos complejos de productos naturales y catalizar reacciones con selectividad mejorada. La ventaja de velocidad es dramática: los ciclos de diseño computacional que antes tomaban meses ahora toman días.
Lo que todavía no puede hacer
Las predicciones de AlphaFold 3 son estáticas. Predice la estructura de menor energía de un complejo, no la dinámica de cómo las moléculas se mueven y flexionan con el tiempo. El movimiento de las proteínas (los cambios conformacionales que gobiernan cómo los fármacos entran en los bolsillos de unión, cómo las señales alostéricas se propagan, cómo las enzimas se abren y cierran) requiere simulación de dinámica molecular, que AlphaFold no reemplaza. Muchos fracasos farmacológicos ocurren porque un compuesto se une a la estructura estática predicha pero se comporta de manera diferente en el contexto dinámico fisiológico. La integración de las predicciones de AlphaFold 3 con la simulación de dinámica molecular es un área activa de desarrollo.
La precisión tampoco es uniforme. AlphaFold 3 funciona significativamente mejor en algunas clases de dianas que en otras. Los receptores acoplados a proteínas G (GPCR), la clase más común de dianas farmacológicas, siguen siendo un desafío porque su flexibilidad conformacional no se captura por completo. Las proteínas intrínsecamente desordenadas, que carecen de estructuras tridimensionales estables en condiciones fisiológicas, son por definición resistentes a la predicción estructural. Y la precisión de las predicciones proteína-ligando, aunque mejor que las herramientas anteriores, todavía produce falsos positivos que requieren validación física para eliminarlos.
La cuestión del acceso
Uno de los aspectos más complicados del lanzamiento de AlphaFold 3 ha sido la política de acceso. El servidor AlphaFold es gratuito para la investigación académica no comercial, pero los pesos del modelo (que permitirían a los investigadores ejecutar AlphaFold 3 localmente e integrarlo en pipelines automatizados) fueron inicialmente retenidos por DeepMind, citando preocupaciones comerciales. Esto provocó un importante rechazo por parte de la comunidad científica, que había celebrado el lanzamiento abierto de AlphaFold 2.
DeepMind posteriormente lanzó los pesos del modelo bajo una licencia que permite el uso en investigación no comercial y la implementación local, al tiempo que restringe el uso comercial. Este es un punto intermedio que satisface a la mayoría de los investigadores académicos, pero continúa atrayendo críticas de los defensores de la ciencia abierta, quienes señalan que la formación fundamental de AlphaFold se basó en décadas de datos de biología estructural financiados con fondos públicos.
El impacto práctico en los cronogramas de descubrimiento de fármacos es real y medible, no en el marco de "cura del cáncer mañana" que acompañó a la cobertura temprana, sino en una compresión genuina de las fases de identificación de hits y optimización de leads que históricamente representan años de trabajo preclínico. Lo que AlphaFold 3 compra no es certeza, sino un punto de partida dramáticamente mejor, y en el descubrimiento de fármacos, un mejor punto de partida vale una cantidad enorme.