El equipo de Baker presenta generación de proteínas a partir de texto a nivel de todos los átomos

El grupo de David Baker, de la Universidad de Washington, e investigadores de la Universidad Nacional de Singapur (NUS) han propuesto un modelo que genera la estructura de una proteína con todos sus átomos a partir de una descripción en texto. Hasta ahora, cada tipo de propiedad requería su propio formato de datos de entrada. Ahora hay una única interfaz en lenguaje natural. El trabajo fue publicado por el medio Jiqizhixin.

Dónde se atasca el diseño de proteínas desde cero

Los modelos llevan varios años generando estructuras proteicas verosímiles. Lo difícil es obtener una proteína con propiedades definidas de antemano: una forma concreta, unión a una diana, una función determinada, estabilidad. Los sistemas actuales lo resuelven con representaciones de entrada especializadas. Para una tarea se usa una máscara de motivo fijo; para otra, un mapa de distancias entre residuos; para una tercera, las coordenadas de un ligando. Cada nuevo tipo de objetivo exige un formato nuevo y, por lo general, un reentrenamiento.

Como resultado, el abanico de tareas queda determinado por lo que los autores del modelo lograron incorporar a la arquitectura. Esa es la limitación a la que apunta el nuevo trabajo.

Cómo funciona el enfoque

La idea sigue la lógica de text-to-image: el usuario describe con palabras el resultado que quiere y el modelo convierte esa descripción en una estructura. La generación se realiza en representación de todos los átomos. El modelo no trabaja solo con el esqueleto de la cadena, sino también con los grupos laterales, de los que dependen los contactos químicos y la función de la proteína.

Para entender la escala, conviene tener presente el contexto. Baker recibió el Premio Nobel de Química de 2024 por el diseño computacional de proteínas, y su laboratorio está detrás de RFdiffusion, ProteinMPNN y las extensiones de todos los átomos de esa familia. El control mediante texto parece el siguiente paso en la misma dirección: eliminar del pipeline la preparación manual de las condiciones.

Parámetros clave del trabajo, según el fragmento disponible:

• Autores: el laboratorio de David Baker (Universidad de Washington), junto con la NUS y otros participantes.
• Tipo de modelo: modelo generativo de estructura de proteínas condicionado por texto.
• Representación: de todos los átomos, es decir, se tienen en cuenta todos los átomos y no solo el esqueleto.
• Qué sustituye: las representaciones de entrada separadas para cada propiedad objetivo.
• Qué no se ha revelado: en el texto disponible no se indican las métricas, el tamaño del modelo, los datos de entrenamiento ni los resultados de la verificación en laboratorio.

Qué comprobar tras la publicación

Por ahora es una propuesta de cambio de interfaz, no un salto de calidad confirmado. Para los profesionales importan cuatro preguntas.

Primera: con qué precisión sigue el modelo las formulaciones, sobre todo cuando la descripción incluye restricciones cuantitativas, como el tamaño, el número de contactos o el tipo de plegamiento. El texto es flexible, pero ambiguo.

Segunda: si hay validación experimental. En el diseño de proteínas, el argumento decisivo no es una estructura bonita en pantalla, sino la expresión, el plegamiento y la actividad medida en el laboratorio.

Tercera: si el código y los pesos son abiertos. De ello depende que la comunidad pueda reproducir el resultado e integrar el modelo en sus propios pipelines.

Cuarta: la seguridad. Cuanto más fácil es describir una proteína con palabras, más bajo es el umbral de entrada y más importantes son los filtros contra funciones peligrosas. En la industria, esta cuestión sigue sin estar bien resuelta.

Si la interfaz de texto mantiene la calidad de los modelos especializados, a los equipos de biotecnología sin gran experiencia en ML les resultará más fácil probar hipótesis. Esperaremos al texto completo del trabajo y a las pruebas independientes.