OpenProtein.AI abre a los biólogos las herramientas de IA para diseñar proteínas

OpenProtein.AI intenta eliminar una de las principales barreras entre la IA y la biología. Ya existen modelos potentes para trabajar con proteínas, pero a la mayoría de los investigadores todavía les resultan demasiado complejos sin conocimientos de aprendizaje automático, acceso a GPU y un equipo de ingeniería dedicado.

La startup fue fundada por el egresado del MIT Tristan Bepler y por Tim Lu, antiguo profesor asociado del MIT. Su idea es sencilla: ofrecer a los biólogos una plataforma web sin código en la que puedan subir sus propios datos, ejecutar modelos de ingeniería de proteínas, predecir la estructura y la función de las moléculas, y entrenar y ajustar modelos para tareas concretas. La compañía ya trabaja con organizaciones farmacéuticas y biotecnológicas de distintos tamaños, y ofrece la plataforma gratis a científicos del ámbito académico.

En la práctica, no se trata de una herramienta estrecha, sino de un conjunto de trabajo completo para la investigación, en el que la IA pasa a formar parte del proceso de laboratorio y deja de ser un experimento aparte para especialistas en datos.

El proyecto nació del trabajo académico de Bepler en el MIT. Durante sus estudios en el programa de biología computacional y de sistemas, bajo la dirección de la profesora Bonnie Berger, trabajó en una cuestión que sigue siendo central en todo el campo: cómo entender mejor la relación entre la secuencia de una proteína, su estructura y su función. Incluso antes de AlphaFold, Bepler investigaba cómo usar datos evolutivos para predecir propiedades de las proteínas y acabó llegando a uno de los primeros modelos generativos de esta clase: en esencia, un modelo de lenguaje de proteínas.

La lógica no era solo predecir la forma de la molécula, sino pasar más rápido de la secuencia a entender qué es capaz de hacer exactamente esa proteína.

Más tarde, tras defender su doctorado en 2020, Bepler se incorporó al laboratorio de Tim Lu como posdoctorado. Allí se hizo especialmente evidente la brecha entre las herramientas de IA de vanguardia y las necesidades reales de los biólogos. Los modelos eran cada vez más potentes, pero adoptarlos exigía demasiada preparación técnica: escribir código, configurar el cómputo, reunir bibliotecas de secuencias, reentrenar modelos e interpretar resultados.

OpenProtein.AI nace como respuesta a ese problema. En lugar de obligar al investigador a convertirse en ingeniero de ML, la compañía traslada la complejidad a la infraestructura y deja al usuario una interfaz clara y flujos de trabajo listos para usar.

El desarrollo propio clave de OpenProtein es PoET, siglas de Protein Evolutionary Transformer. Se entrenó con grupos de proteínas para que el modelo pueda generar secuencias emparentadas y captar las restricciones evolutivas que determinan las propiedades de las moléculas. La compañía afirma que PoET sabe generalizar esas restricciones e incorporar información nueva sobre secuencias sin reentrenarse por completo, algo especialmente importante para laboratorios que generan datos experimentales nuevos de forma constante.

Los investigadores pueden usar sus propios datos para entrenar modelos y optimizar secuencias de proteínas, y después pasar las variantes obtenidas por herramientas de análisis, predictores estructurales y otras verificaciones in silico antes de pasar al trabajo en el laboratorio húmedo. Para quien necesite acceso programático, la plataforma también tiene una API, pero el flujo básico sigue siendo sin código.

La compañía sigue ampliando la plataforma. En 2025 presentó PoET-2, una nueva versión de su modelo de lenguaje de proteínas que, según OpenProtein, supera a modelos considerablemente más grandes, aunque requiere solo una fracción de los recursos de cómputo y de datos experimentales. Esto importa no solo por la calidad, sino también por el coste de la investigación: si los modelos eficaces se vuelven más ligeros, podrán usarlos más actores que las mayores farmacéuticas.

La gran industria también se está sumando. Boehringer Ingelheim empezó a usar la plataforma a principios de 2025 y después amplió su colaboración con OpenProtein a tareas de ingeniería de proteínas en terapias contra el cáncer y enfermedades autoinmunes e inflamatorias.

El siguiente paso de la compañía es enseñar a los modelos a trabajar mejor no solo con las propiedades estáticas de las proteínas, sino también con su comportamiento dinámico. Se trata de casos en los que una proteína debe participar a la vez en varios mecanismos biológicos o cambiar de función tras unirse a otra molécula. Si la IA logra describir y diseñar esos escenarios, se ampliará el abanico de enfoques terapéuticos y el diseño de sistemas biológicos será notablemente más preciso.

La idea central de esta historia es que el mercado avanza poco a poco de experimentos de IA puntuales y escasos en biología hacia una infraestructura más accesible para el trabajo diario de investigación. Si OpenProtein.AI logra mantener el equilibrio entre apertura, comodidad y calidad de los modelos, bajará la barrera de entrada para los laboratorios, acelerará la comprobación de hipótesis y acortará el camino entre el diseño computacional de una proteína y un candidato real para terapia o uso industrial. Y quizá igual de importante: evitaría que las herramientas de IA más potentes queden encerradas en unos pocos grandes actores.