Google DeepMind y Biohub explican por qué AlphaFold no cerró el problema del plegamiento de proteínas

En 2020, AlphaFold 2 logró en el concurso CASP14 un GDT mediano de en torno a 92 sobre 100, y en 2024 Demis Hassabis y John Jumper recibieron por él la mitad del Premio Nobel de Química. Ahora, en el podcast Latent Space, Pushmeet Kohli, responsable de las líneas científicas de Google DeepMind, y Sal Candido, de Biohub, hablan de otra cosa: el problema del plegamiento de proteínas solo está resuelto en parte. El episodio se publicó el 10 de octubre de 2026.

El anuncio del episodio plantea dos líneas. La primera es la «lección amarga» de Richard Sutton: los métodos generales con mucho cómputo acaban superando a la ingeniería manual del conocimiento. La segunda se centra en los enigmas sin resolver del plegamiento. La fuente no incluye una transcripción completa, así que a continuación nos basamos en los puntos del anuncio y en el contexto de dominio público.

Qué cerró exactamente AlphaFold

AlphaFold 2 aprendió a predecir la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos, con una precisión comparable a la experimental. Para muchas dianas, esto redujo el camino de la secuencia al modelo de meses de trabajo en cristalografía a minutos. Junto con EMBL-EBI, DeepMind publicó AlphaFold DB, una base de datos con más de 200 millones de estructuras predichas. Eso equivale prácticamente a todo el universo proteico conocido.

En mayo de 2024, AlphaFold 3 amplió la cobertura: proteínas, ADN, ARN y pequeñas moléculas ligando en un único modelo. Para los ligandos, los autores afirmaron una mejora de al menos un 50% respecto a los métodos de docking existentes.

Por qué «resuelto» suena demasiado fuerte

La estructura de la base de datos describe una sola conformación, normalmente la más probable. Una proteína real vive en movimiento: cambia de forma, interactúa con otras moléculas y en parte permanece desordenada. La lista clásica de carencias es esta:

• dinámica y conjuntos de conformaciones en lugar de una única instantánea;
• la ruta de plegamiento: cómo la cadena llega a su forma, y no solo qué forma resulta;
• el efecto de las mutaciones puntuales en la estabilidad y la función;
• regiones desordenadas que no tienen una estructura única;
• grandes complejos e interacciones en el entorno celular.

Predecir el punto final y entender el proceso siguen siendo tareas distintas. Un modelo puede acertar el resultado de forma brillante y, aun así, no decir nada sobre el mecanismo. Para la biología y la medicina, esa brecha es fundamental: un fármaco actúa en la dinámica de una célula viva, no sobre una imagen estática.

El escalado y sus límites en biología

La lección de Sutton se confirmó en los modelos de lenguaje: más datos y más cómputo dan sistemas más capaces. En biología, esta receta tiene una limitación propia. En el Protein Data Bank hay del orden de 200 mil estructuras experimentales, mientras que los textos de internet son varios órdenes de magnitud más abundantes. Los datos sobre dinámica y función son aún más escasos, y cada punto cuesta un esfuerzo de laboratorio. Por eso, la conversación sobre entender la biología desemboca inevitablemente en una combinación: modelos a gran escala más nuevos datos experimentales recogidos específicamente para los puntos débiles de esos modelos.

El contexto de los participantes habla por sí solo. DeepMind representa el camino de AlphaFold hacia sistemas de IA para la ciencia. Biohub representa una organización de investigación en la que los modelos se cierran con experimentos biológicos.

Datos clave

• AlphaFold 2, CASP14, 2020: GDT mediano de en torno a 92.
• AlphaFold DB: más de 200 millones de estructuras predichas.
• AlphaFold 3, 2024: proteínas, ácidos nucleicos y ligandos en un solo modelo.
• Premio Nobel de Química 2024: Hassabis y Jumper (la mitad), David Baker.

Cómo aprovecharlo

Un equipo de biotecnología o de farmacia debería tratar una predicción de AlphaFold como una hipótesis, no como un resultado. Para seleccionar dianas y planificar experimentos acelera el trabajo, pero para evaluar la movilidad, la unión y el efecto de las mutaciones hacen falta dinámica molecular y validación en laboratorio. A quienes construyen sus propios modelos les conviene decidir de antemano qué datos de dinámica y función podrán obtener, porque aquí no basta con escalar los parámetros.