OpenProtein.AI Abre Acceso a Herramientas de IA para el Diseño de Proteínas a Biólogos

OpenProtein.AI está intentando eliminar una de las principales barreras en la intersección entre IA y biología: existen modelos poderosos para trabajar con proteínas, pero para la mayoría de los investigadores siguen siendo demasiado complejos de usar sin conocimientos de aprendizaje automático, acceso a GPU y un equipo de ingeniería separado. La startup fue fundada por Tristan Bepler, graduado del MIT, y Tim Lu, exprofesor del MIT.

Su idea es simple: dar a los biólogos una plataforma web sin código a través de la cual puedan subir sus propios datos, ejecutar modelos para ingeniería de proteínas, predecir la estructura y función de las moléculas, y entrenar y ajustar modelos para tareas específicas. La empresa ya trabaja con organizaciones farmacéuticas y biotecnológicas de varios tamaños, y proporciona la plataforma de forma gratuita para científicos de entornos académicos. Esencialmente, no se trata de una única herramienta estrecha, sino de un conjunto completo de trabajo para la investigación, donde la IA se convierte en parte del proceso de laboratorio en lugar de un experimento separado para científicos de datos.

El historial del proyecto creció a partir del trabajo académico de Bepler en el MIT. Mientras estudiaba en un programa de biología computacional y sistemas bajo la dirección de la Profesora Bonnie Berger, trabajó en una cuestión que sigue siendo central para todo el campo: cómo entender mejor la relación entre secuencia de proteína, estructura y función. Incluso antes de que apareciera AlphaFold, Bepler estaba investigando cómo usar datos evolutivos para predecir propiedades de proteínas, y finalmente llegó a uno de los primeros modelos generativos de esta clase — esencialmente un modelo de lenguaje de proteína.

La lógica era no solo predecir la forma de la molécula, sino avanzar más rápidamente desde la secuencia hacia la comprensión de lo que esa proteína es capaz de hacer. Más tarde, tras obtener su PhD en 2020, Bepler se unió al laboratorio de Tim Lu como posdoc. Allí se hizo especialmente evidente cuán grande era la brecha entre las herramientas de IA de vanguardia y las necesidades reales de los biólogos.

Los propios modelos se estaban volviendo más fuertes, pero su implementación requería demasiada preparación técnica: había que escribir código, configurar cálculos, ensamblar bibliotecas de secuencias, hacer ajuste fino e interpretación de resultados. OpenProtein.AI está construida como una respuesta precisamente a este problema.

En lugar de obligar a los investigadores a convertirse en ingenieros de ML, la empresa oculta la complejidad en la infraestructura y deja al usuario una interfaz comprensible y escenarios de trabajo listos.

El desarrollo propio clave de OpenProtein es el modelo PoET — Protein Evolutionary Transformer. Se entrenó en grupos de proteínas para que el modelo pudiera generar secuencias relacionadas y capturar restricciones evolutivas que determinan propiedades moleculares. La empresa afirma que PoET puede generalizar tales restricciones y aceptar información nueva sobre secuencias sin reentrenamiento completo, lo cual es especialmente importante para laboratorios que constantemente reciben nuevos datos experimentales.

Los investigadores pueden usar sus propios datos para entrenar modelos, optimizar secuencias de proteínas, y luego ejecutar las variantes resultantes a través de herramientas de análisis, predictores de estructura y otras verificaciones in silico, antes de pasar al trabajo en un laboratorio húmedo. Para quienes necesiten acceso programático, la plataforma tiene una API, pero el escenario básico sigue siendo sin código.

La empresa continúa expandiendo la plataforma. En 2025, presentó PoET-2 — una nueva versión del modelo de lenguaje de proteína que, según OpenProtein, supera significativamente modelos mucho más grandes mientras requiere solo una fracción de los recursos computacionales y datos experimentales. Este es un punto importante no solo en términos de calidad, sino también en términos de costos de investigación: si los modelos eficientes se vuelven más ligeros, pueden ser utilizados no solo por las empresas farmacéuticas más grandes.

Al mismo tiempo, el gran negocio ya está involucrándose. Boehringer Ingelheim comenzó a usar la plataforma a principios de 2025, y luego expandió la colaboración con OpenProtein para tareas relacionadas con ingeniería de proteínas en terapia para cáncer, enfermedades autoinmunes e inflamatorias.

El siguiente paso para la empresa es enseñar a los modelos a trabajar mejor no solo con propiedades estáticas de proteínas, sino también con su comportamiento dinámico. Se trata de casos en los que una proteína debe participar simultáneamente en múltiples mecanismos biológicos o cambiar de función después de unirse con otra molécula. Si tales escenarios pueden ser descritos y diseñados con la ayuda de IA, esto expandirá el rango de enfoques terapéuticos y hará el diseño de sistemas biológicos notablemente más preciso.

El punto principal de esta historia es que el mercado se está moviendo gradualmente desde raros experimentos de IA personalizados en biología hacia una infraestructura más accesible para el trabajo de investigación cotidiano. Si OpenProtein.AI realmente logra mantener un equilibrio entre apertura, conveniencia y calidad del modelo, esto bajará la barrera de entrada para los laboratorios, acelerará la prueba de hipótesis y acortará el camino desde el diseño computacional de proteínas hasta un candidato real para terapia o aplicación industrial. Y, quizás igualmente importante, evitará que las herramientas de IA más fuertes queden encerradas dentro de solo unos pocos actores principales.