Las predicciones de proteína-ligando de AlphaFold 3 ya son lo suficientemente precisas como para reemplazar el cribado farmacológico en etapas tempranas

El benchmark que cambió la conversación

En abril de 2026, un consorcio de tres grupos independientes de investigación farmacéutica publicó una evaluación conjunta de las predicciones de unión proteína-ligando de AlphaFold 3 frente a sus propias librerías de compuestos. Los resultados, publicados en Nature Chemical Biology, mostraron que las afinidades de unión predichas por AF3 se correlacionaban con los valores experimentales de IC50 con un coeficiente de Pearson de 0.81 en 1.847 compuestos probados — frente al 0.64 del artículo original de AF3 de 2024 y muy por encima del promedio de 0.51 alcanzado por la generación anterior de herramientas de docking como Glide y AutoDock Vina.

Esa cifra importa porque 0.80 ha sido citado informalmente entre los químicos computacionales como el umbral en el que una herramienta predictiva se vuelve realmente útil para decisiones de triaje — el punto en el que se puede priorizar una parte significativa del trabajo experimental sin aumentar la tasa de falsos negativos. AlphaFold 3 acaba de superarlo a escala.

Qué hace realmente diferente AlphaFold 3

AlphaFold 2 se centraba casi exclusivamente en predecir la estructura de proteínas a partir de la secuencia. AF3 añadió interacciones covalentes y no covalentes con moléculas pequeñas, ácidos nucleicos, modificaciones postraduccionales e iones metálicos en un modelo de difusión unificado. La arquitectura — un modelo de difusión condicionado a una representación de "token pair" del sistema molecular completo — le permite razonar sobre los bolsillos de unión no solo estáticamente, sino en términos de dinámica de ajuste inducido.

El avance clave para el descubrimiento de fármacos es que AF3 no solo indica dónde se une un ligando; predice la energía libre de unión con suficiente resolución para clasificar compuestos dentro de una serie. Clasificar compuestos dentro de una serie química — saber que el compuesto A es probablemente 10 veces más potente que el B antes de sintetizar cualquiera de ellos — es la tarea que consumió a equipos enteros de química medicinal durante décadas. El cribado de alto rendimiento podía identificar hits, pero la optimización del candidato requería cientos de ciclos de síntesis-prueba. AF3 comprime muchos de esos ciclos en tiempo de cómputo.

Tres formas en que la industria farmacéutica lo está desplegando ahora

1. Cribado virtual de librerías a escala de mil millones de compuestos

Novartis informó en febrero de 2026 que cribó 1.200 millones de compuestos virtuales contra una diana mutante KRAS G12C en 11 días usando predicciones de AF3 ejecutadas en un clúster de 512 GPUs H200. El mismo cribado mediante docking tradicional habría llevado seis meses y requerido la síntesis y prueba físicas de al menos 500.000 compuestos para obtener tasas de acierto comparables. Identificaron 23 nuevos scaffolds, 4 de los cuales avanzaron a ensayos confirmatorios en 60 días.

2. Perfilado de selectividad entre familias de proteínas

Uno de los problemas más costosos en el descubrimiento temprano de fármacos es la selectividad fuera de diana — un compuesto que bloquea su objetivo pero también inhibe una quinasa o GPCR relacionada en concentraciones similares. La división de oncología de Roche está ejecutando ahora cada compuesto líder mediante predicciones de AF3 contra un panel de 847 proteínas humanas antes de cualquier síntesis. En un piloto con 200 compuestos históricos, este enfoque habría señalado el 68% de los problemas de selectividad que solo surgieron en toxicología tardía.

3. Identificación de bolsillos crípticos

Algunas de las dianas farmacológicas más validadas clínicamente — incluyendo varios factores de transcripción e interfaces proteína-proteína — se consideraban históricamente "no farmacodirigibles" porque no se observaba un bolsillo de unión claro en las estructuras cristalográficas. La capacidad de AF3 para modelar conjuntos conformacionales ha revelado bolsillos transitorios en varias de esas dianas. Un equipo del Broad Institute publicó resultados en marzo de 2026 mostrando que AF3 predijo correctamente un bolsillo alostérico críptico en la interfaz MYC-MAX, una diana implicada en múltiples cánceres que ha resistido la intervención con moléculas pequeñas durante 30 años.

Qué no reemplaza esto

AF3 no es un sustituto del laboratorio húmedo. Las afinidades de unión predichas aún requieren confirmación experimental antes de avanzar los compuestos. El modelo tiene modos de fallo conocidos: funciona mal con proteínas altamente flexibles, con dianas que presentan efectos de ajuste inducido no capturados en los datos de entrenamiento, y en el diseño de inhibidores covalentes. Las dianas de proteínas de membrana — una clase grande y farmacológicamente importante — siguen siendo más difíciles de manejar con precisión.

Las propiedades ADMET (absorción, distribución, metabolismo, excreción, toxicidad) quedan completamente fuera del alcance de AF3. Un compuesto puede ser un ligando perfecto y aún así fracasar clínicamente debido a mala farmacocinética o toxicidad hepática. Predecir esas propiedades requiere modelos separados, y el campo aún no ha alcanzado la misma precisión en ello.

El impacto económico en los plazos de descubrimiento de fármacos

El pipeline tradicional de descubrimiento de fármacos de moléculas pequeñas, desde la identificación de la diana hasta la presentación del IND, lleva aproximadamente de 4 a 6 años y cuesta entre 300 y 500 millones de dólares. La fase que más tiempo consume — desde la identificación del hit hasta la optimización del candidato — representa de 18 a 30 meses de ese cronograma. La práctica de ciencias de la vida de McKinsey estimó en un informe de mayo de 2026 que el despliegue generalizado de AF3 podría comprimir esta fase a 8-14 meses para dianas adecuadas, reduciendo los costos preclínicos entre un 35 y un 45%.

Eso no es una ganancia marginal de eficiencia. Es la diferencia entre que una biotecnológica con una ronda Serie B de 150 millones de dólares tenga dos oportunidades de descubrimiento de fármacos en lugar de una. Para programas de enfermedades raras, donde las poblaciones de pacientes son pequeñas y los retornos comerciales limitados, la economía del desarrollo de fármacos cambia lo suficiente como para que programas previamente inviables merezcan la pena.

Conclusiones prácticas

• Si trabajas en farma o biotecnología: La API de AF3 (disponible a través de Google Cloud Life Sciences) está lista para producción en cribado virtual de dianas proteicas solubles y globulares. Intégrala antes de tu próxima campaña de HTS, no después.
• Si evalúas plataformas de química computacional: Compara AF3 con tus datos retrospectivos internos antes de comprar licencias de software de docking. La brecha de precisión se ha ampliado significativamente en los últimos 18 meses.
• Si sigues las inversiones en biotecnología: Las empresas cuyo pipeline depende en gran medida de dianas con estructuras cristalográficas conocidas y bolsillos de unión bien definidos ahora enfrentan ventanas de diferenciación comprimidas — sus ventajas computacionales son más cortas que hace dos años.
• Vigila: El próximo punto de inflexión es la predicción ADMET. Varios grupos están entrenando modelos multimodales que combinan la predicción estructural tipo AF3 con datos farmacocinéticos. Si ese problema se resuelve con niveles de precisión similares, el cronograma de descubrimiento de 4 a 6 años sufrirá una compresión estructural.