El Futuro Desvelado: Cómo AlphaFold y la IA, Liderados por un Nobel de DeepMind, Revolucionarán la Biología

Publicado el 24-11-2025

Hace cinco años, AlphaFold de Google DeepMind transformó la biología al predecir la estructura de proteínas con una precisión atómica. Ahora, en conversación con el galardonado con el Premio Nobel, John Jumper, exploramos el impacto actual de esta inteligencia artificial, sus aplicaciones inesperadas y el prometedor futuro de la ciencia fusionada con los grandes modelos de lenguaje (LLMs).

AlphaFold: Cinco Años Transformando la Predicción de Proteínas

La revolución de la inteligencia artificial en la ciencia ha alcanzado hitos impresionantes, pero pocos tan trascendentales como el logrado por AlphaFold. Hace apenas un lustro, este sistema de Google DeepMind irrumpió en el campo de la biología, resolviendo un enigma que había desconcertado a los científicos durante medio siglo: la predicción de la estructura tridimensional de las proteínas.

En 2017, John Jumper, fresco de un doctorado en química teórica, se unió al ambicioso proyecto de DeepMind para aplicar la IA a este desafío fundamental. Solo tres años después, Jumper, junto al CEO Demis Hassabis, lideró el desarrollo de AlphaFold 2, una herramienta capaz de determinar las formas de las proteínas con precisión atómica en cuestión de horas, un proceso que antes requería meses de laborioso trabajo experimental. Este logro no solo le valió a Jumper y Hassabis, junto con David Baker, el Premio Nobel de Química en 2024, sino que también redefinió las posibilidades de la bioinformática y la biotecnología.

Desde su debut, AlphaFold ha evolucionado rápidamente. A AlphaFold 2 le siguió AlphaFold Multimer, que permite predecir estructuras que contienen más de una proteína, y la aún más veloz AlphaFold 3. Google DeepMind también liberó AlphaFold sobre UniProt, una vasta base de datos de proteínas utilizada por millones de investigadores. Hoy, ha predicho las estructuras de aproximadamente 200 millones de proteínas, prácticamente todas las conocidas por la ciencia. No obstante, Jumper, con su característica humildad, subraya que se trata de una base de datos de predicciones, con las inherentes precauciones que ello implica.

El Desafío de las Proteínas y la Solución de la IA

Las proteínas son las máquinas biológicas esenciales para la vida. Desde la formación de tejidos hasta el transporte de oxígeno y la defensa inmunológica, sus funciones son innumerables. Sin embargo, comprender su mecanismo de acción, y su posible implicación en enfermedades o tratamientos, exige conocer su estructura tridimensional. Este es un desafío formidable, dado que las proteínas, cadenas de aminoácidos, se pliegan en intrincados nudos cuya forma final es extremadamente difícil de predecir a partir de su secuencia lineal.

El equipo de Jumper construyó AlphaFold 2 utilizando una red neuronal tipo transformador, la misma tecnología que sustenta los modernos Grandes Modelos de Lenguaje (LLMs). Esta arquitectura es excepcionalmente eficaz para identificar patrones cruciales dentro de conjuntos de datos complejos. Jumper atribuye gran parte del éxito a la capacidad del equipo para iterar rápidamente, probando prototipos que, aunque inicialmente erróneos, permitieron una experimentación audaz con nuevas ideas. Alimentaron la red con una vasta cantidad de información sobre estructuras proteicas, incluyendo datos evolutivos que revelaban similitudes en formas entre especies. El resultado superó todas las expectativas.

Aplicaciones Inesperadas y Transformadoras

Lo que más sorprendió a Jumper fue la velocidad y la diversidad con la que los científicos adoptaron AlphaFold para usos «no convencionales». Estos son algunos ejemplos destacados:

• Ciencia de las Abejas: Un grupo de investigación utilizó AlphaFold para estudiar la resistencia a enfermedades en las abejas melíferas, un área que Jumper nunca imaginó que se beneficiaría directamente.
• Diseño de Proteínas Sintéticas: La capacidad de predecir estructuras ha acelerado drásticamente el diseño de proteínas artificiales con funciones específicas, como tratamientos para enfermedades o descomposición de plásticos. David Baker, otro laureado con el Nobel por su trabajo en este campo, ha utilizado AlphaFold Multimer en conjunto con su propia herramienta, RoseTTAFold, para validar diseños, acelerando el proceso hasta diez veces.
• AlphaFold como «Motor de Búsqueda»: Investigadores han transformado AlphaFold en una especie de motor de búsqueda biológico. Por ejemplo, al estudiar la fertilización humana, tomaron una proteína de óvulo conocida y la hicieron interactuar virtualmente con las 2.000 proteínas de superficie del esperma humano. AlphaFold identificó con alta confianza una proteína del esperma que interactuaba, confirmándose posteriormente en el laboratorio. Esto demuestra cómo la IA permite explorar miles de interacciones que serían inviables experimentalmente.

Limitaciones y la Nueva Ola de Innovación en Descubrimiento de Fármacos

A pesar de su utilidad innegable, AlphaFold no es perfecto. Kliment Verba, biólogo molecular de la Universidad de California, San Francisco, lo usa a diario, pero reconoce sus limitaciones. AlphaFold es menos preciso en predicciones que involucran múltiples proteínas o sus interacciones a lo largo del tiempo, crucial para el descubrimiento de fármacos o el estudio de patógenos. Verba compara la situación con ChatGPT: «te dirá tonterías con la misma confianza que una respuesta verdadera.» Sin embargo, su equipo utiliza AlphaFold para ejecutar versiones virtuales de experimentos, afinando el enfoque o descartando ideas inviables, lo que ahorra tiempo y recursos valiosos.

La comunidad científica y empresarial no se ha dormido en los laureles. Varias startups y laboratorios universitarios están construyendo sobre el éxito de AlphaFold para desarrollar una nueva generación de herramientas más adaptadas al descubrimiento de fármacos. Boltz-2, una colaboración entre investigadores del MIT y la empresa de IA Recursion, no solo predice la estructura proteica, sino también cuán bien se unirán las moléculas farmacológicas a su objetivo. Genesis Molecular AI ha lanzado Pearl, un modelo que, según la empresa, supera la precisión de AlphaFold 3 en ciertas consultas críticas para el desarrollo de medicamentos, incluso permitiendo la entrada de datos adicionales para guiar las predicciones.

Estas innovaciones buscan reducir los márgenes de error a menos de un angstrom (la diezmillonésima parte de un milímetro), una mejora crítica, ya que pequeños errores pueden ser catastróficos para predecir la interacción precisa de un fármaco. Como señala Evan Feinberg, CEO de Genesis Molecular AI, «Todavía estamos innovando fundamentalmente, solo que con un mejor punto de partida que antes».

El Futuro de la IA en la Ciencia: La Visión de John Jumper

¿Cuál es el siguiente paso para John Jumper, el laureado más joven en química en 75 años? Su visión apunta a fusionar el poder profundo pero especializado de AlphaFold con la capacidad de razonamiento amplio de los LLMs. «Tenemos máquinas que pueden leer ciencia. Pueden hacer algo de razonamiento científico», afirma Jumper. «Y podemos construir sistemas asombrosos y superhumanos para la predicción de estructuras de proteínas. ¿Cómo hacer que estas dos tecnologías trabajen juntas?».

Esta idea evoca sistemas como AlphaEvolve, desarrollado por otro equipo de Google DeepMind. AlphaEvolve utiliza un LLM para generar posibles soluciones a un problema y un segundo modelo para validarlas, filtrando las menos prometedoras. Aunque Jumper es reservado sobre los detalles metodológicos, está convencido del impacto de los LLMs en la ciencia: «Me sorprendería si no vemos cada vez más el impacto de los LLM en la ciencia».

En cuanto a su propia trayectoria, Jumper, consciente de la «trampa» de buscar otro Nobel, planea enfocarse en proyectos más pequeños y continuos. «Mi enfoque es tratar de hacer cosas más pequeñas, pequeñas ideas que sigues explorando. Lo próximo que anuncie no tiene por qué ser, ya sabes, mi segundo intento de un Nobel», reflexiona. Su pragmatismo se extiende al impacto real de AlphaFold: «No estábamos a una estructura de proteína de curar ninguna enfermedad». La predicción de estructuras es solo un paso en un camino largo y complejo, pero ahora es un paso exponencialmente más rápido.

Conclusión: La historia de AlphaFold es un testimonio del poder transformador de la inteligencia artificial en la ciencia. Liderado por visionarios como John Jumper, ha democratizado el acceso a información vital sobre proteínas y ha abierto nuevas vías para la investigación en campos tan diversos como la apicultura y el diseño de fármacos. A medida que AlphaFold y sus sucesores continúan evolucionando y se integran con los potentes LLMs, la promesa de una revolución científica impulsada por la IA se vuelve cada vez más tangible, redefiniendo no solo cómo entendemos la biología, sino también cómo abordamos los desafíos más apremiantes de la salud y la tecnología en el siglo XXI.

Fuente original: What’s next for AlphaFold: A conversation with a Google DeepMind Nobel laureate