Un consorcio de farmacéuticas ha entrenado una IA de proteínas con 20.000 estructuras internas y ha logrado una mejora clara. El modelo, basado en OpenFold3, supera al entrenado solo con datos públicos y a los que usaron únicamente los archivos de una sola compañía. El hallazgo aparece descrito en una entrada de blog, aún pendiente de revisión por pares, y sus autores planean enviarlo a una revista científica.
Un salto de precisión con datos que no estaban en los repositorios públicos
La base del avance es un conjunto de 20.167 estructuras de proteínas unidas a posibles fármacos, capturadas mediante cristalografía de rayos X y criomicroscopía electrónica durante programas de descubrimiento de medicamentos. Esos datos son justo lo que falta en el Protein Data Bank (PDB), el gran repositorio abierto. Paul Mortenson, vicepresidente de química computacional e informática en Astex Pharmaceuticals, calcula que el PDB apenas contiene unos 10.000 ejemplos experimentales de complejos con moléculas fármaco-similares.
El consorcio AISB Network, formado por AbbVie, Astex y otras compañías, afinó OpenFold3 con esas estructuras propietarias. El resultado: al probar el modelo con 1.056 complejos proteína-fármaco separados del entrenamiento, predijo más de la mitad con alto nivel de precisión. La versión pública de OpenFold3 logró la misma precisión solo en un tercio de las estructuras, y Boltz-2, otro modelo de código abierto, se quedó en torno al 40%. El salto es real.
‘Añades todos estos datos y obtienes una mejora bastante grande’, resume Mohammed AlQuraishi, biólogo computacional de la Universidad de Columbia en Nueva York y participante en el proyecto. La cifra respalda algo que los equipos de descubrimiento de fármacos sospechaban desde hace años: las bóvedas internas contienen exactamente los ejemplos que los repositorios públicos no tienen. La señal es consistente.
John Karanicolas, director de descubrimiento computacional de fármacos en AbbVie, lo había anticipado con una frase que ahora suena a veredicto: ‘Los datos que faltan en el PDB son exactamente los que están en nuestros datos internos’. La ventaja no aparece solo frente a los modelos públicos; el sistema AISB también superó a los entrenados con los datos aislados de cada compañía por separado. Poner en común la información, incluso sin que las empresas compartan sus estructuras entre sí, marcó la diferencia.
La mejora no exige publicar los secretos industriales: basta con entrenar de forma conjunta y mantener la privacidad de los datos.
Cómo se entrenó el modelo sin exponer secretos industriales
El método es un afinamiento, no una reconstrucción desde cero. OpenFold3, una réplica abierta de AlphaFold 3, había sido entrenada únicamente con datos del PDB. Sobre esa base, el consorcio añadió 20.167 estructuras propiedad de cinco empresas mediante técnicas que mantenían la privacidad de cada conjunto. Los autores no hicieron público el modelo final y el trabajo, descrito en una entrada de blog, no ha sido revisado por pares.
La analogía ayuda a entender la escala del vacío: si el PDB es una biblioteca pública con unos 10.000 ejemplos de proteínas abrazadas a fármacos, cada gran farmacéutica dispone por separado de un archivo privado del mismo tamaño o mayor. Un consorcio que sume cinco de esos archivos multiplica de golpe la variedad química con la que puede entrenarse una red neuronal.
Por qué importa para el futuro de la biología estructural
AlphaFold 3 y otros modelos de co-plegamiento ya predicen cómo se relacionan proteínas y moléculas pequeñas. Sin embargo, investigaciones previas sugieren que su precisión cae en picado cuando se les pide anticipar interacciones muy distintas a las de su entrenamiento. El estudio de AISB ataca justo ese punto débil: enriquecer el repertorio de complejos proteína-ligando reales y medir cuánto mejora la predicción. Ese punto ciego frena a la industria.
La limitación principal es evidente: no hay revisión por pares ni acceso público al modelo. Eso obliga a leer los resultados como una demostración preliminar. Aun así, el valor del mensaje es notable: si las farmacéuticas no pueden abrir sus bóvedas por razones comerciales, sí pueden sumar fuerzas para validar si sus datos sirven a herramientas científicas. El proyecto británico OpenBind, con 8 millones de libras de financiación pública (unos 10,8 millones de dólares), publicó el mes pasado cientos de estructuras y tiene miles más en preparación, una vía complementaria para crear un conjunto abierto comparable. Los datos, sin embargo, marcan una dirección.
Estoy convencido de que este tipo de colaboraciones se volverán imprescindibles. La biología estructural está entrando en una fase en la que el cuello de botella no es la arquitectura de los modelos, sino la materia prima: ejemplos reales y diversos de cómo las proteínas tocan a los fármacos. Si el equipo logra publicar los datos metodológicos en una revista con revisión por pares, el siguiente paso lógico será comprobar si el mismo salto de precisión se mantiene con compuestos diseñados desde cero, no solo con los ya sintetizados.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: Entrenar una IA de proteínas con 20.167 estructuras internas de farmacéuticas mejora de forma notable la predicción de complejos proteína-fármaco.
- Dónde: Colaboración internacional liderada por la red AI Structural Biology (AISB), con datos de cinco compañías.
- Institución responsable: Consorcio AISB Network con participación de AbbVie, Astex Pharmaceuticals y la Universidad de Columbia.
- Cuándo: Resultados publicados en una entrada de blog, pendientes de revisión por pares y de envío a una revista científica.
- Impacto a futuro: Abre la vía a que los archivos privados de la industria entrenen modelos más precisos sin comprometer secretos comerciales.
