Predicción de proteínas con inteligencia artificial: avances, usos y límites

De una secuencia a un modelo tridimensional

Una proteína es una cadena de aminoácidos que puede plegarse en dominios, superficies y cavidades. Su forma influye en las moléculas que reconoce y en las reacciones que facilita. Determinarla por cristalografía de rayos X, resonancia magnética nuclear o microscopía crioelectrónica puede exigir meses de preparación y datos experimentales complejos.

AlphaFold 2 aprendió regularidades de secuencias y estructuras conocidas. En la evaluación ciega CASP14 alcanzó una precisión cercana a la experimental en muchos blancos y superó ampliamente métodos anteriores. El sistema no observa físicamente la proteína que recibe: calcula una estructura compatible con lo aprendido y con la información evolutiva disponible.

La confianza cambia dentro de una misma proteína

El resultado incluye el indicador pLDDT, que estima confianza local para cada residuo. Valores superiores a 90 suelen señalar regiones modeladas con alta precisión; entre 70 y 90 sugieren un esqueleto generalmente fiable. Las regiones inferiores a 50 no deben interpretarse como una forma estable y con frecuencia corresponden a desorden o a segmentos que se estructuran al unirse a otra molécula.

La matriz PAE estima el error relativo entre partes de la estructura. Dos dominios pueden estar bien modelados por separado y tener una orientación mutua incierta. Mirar solo la imagen coloreada o una puntuación promedio puede esconder ese problema.

Qué ha cambiado en la investigación

Los modelos sirven como punto de partida para interpretar mapas de microscopía, resolver fases en cristalografía, localizar dominios y diseñar mutaciones que luego se ensayan. También permiten comparar familias enormes de secuencias y proponer funciones para proteínas poco estudiadas. La base de datos AlphaFold ofrece cientos de millones de predicciones y reduce una barrera de acceso.

El beneficio no consiste únicamente en sustituir tiempo de cálculo. Una hipótesis estructural puede indicar qué experimento discrimina mejor entre mecanismos, qué región conviene purificar o dónde colocar una etiqueta. Cuando el modelo y los datos se combinan, el ciclo de investigación puede avanzar con menos intentos ciegos.

Una estructura estática no describe toda la biología

Las proteínas se mueven, cambian de conformación, reciben modificaciones químicas y actúan dentro de membranas, complejos y ambientes concretos. AlphaFold 2 suele entregar una conformación y no una distribución de estados. Tampoco coloca de forma general metales, cofactores, ligandos, ADN, ARN o modificaciones posteriores a la traducción en sus modelos de cadena única.

AlphaFold 3 amplió la predicción conjunta a proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados, con mejoras en varias pruebas. Aun así, un modelo de interacción no demuestra que las dos moléculas se unan en una célula, con qué afinidad lo hacen ni si un compuesto será seguro o eficaz.

Mutaciones y fármacos requieren cautela

Una mutación puede alterar estabilidad, abundancia, plegamiento, interacción o regulación sin producir una diferencia visible entre dos modelos. La propia base de AlphaFold advierte que el sistema no está validado para predecir el efecto de mutaciones y no necesariamente mostrará una proteína desplegada cuando una variante sea desestabilizadora.

En descubrimiento de fármacos, una cavidad prevista ayuda a seleccionar compuestos, pero los resultados deben confirmarse con ensayos de unión, actividad, selectividad y toxicidad. El organismo añade metabolismo, distribución y respuestas que ninguna imagen molecular aislada puede resolver.

Cómo usar una predicción con rigor

1. Revisar pLDDT y PAE por región y no solo la apariencia global.
2. Comprobar si hay estructuras experimentales o proteínas homólogas conocidas.
3. Identificar ligandos, modificaciones y condiciones ausentes del modelo.
4. Formular una predicción comprobable y elegir el experimento adecuado.
5. Reportar el modelo, la versión, los parámetros y las incertidumbres.

La inteligencia artificial convirtió la estructura predicha en una herramienta cotidiana. Su mayor valor aparece cuando orienta mediciones y se deja corregir por ellas. La predicción acelera la ciencia porque produce mejores preguntas, no porque elimine la necesidad de comprobarlas.

Fuentes principales

1. Jumper et al., Highly accurate protein structure prediction with AlphaFold. https://www.nature.com/articles/s41586-021-03819-2
2. AlphaFold Protein Structure Database, preguntas frecuentes. https://www.alphafold.ebi.ac.uk/faq
3. Terwilliger et al., AlphaFold predictions are valuable hypotheses. https://www.nature.com/articles/s41592-023-02087-4
4. Abramson et al., Accurate structure prediction of biomolecular interactions with AlphaFold 3. https://www.nature.com/articles/s41586-024-07487-w
5. EMBL-EBI, validación de AlphaFold 2. https://www.ebi.ac.uk/training/online/courses/alphafold/validation-and-impact/how-have-alphafolds-predictions-of-protein-structure-been-validated/

Nota visual: las imágenes que se preparen para este artículo serán ilustraciones científicas y deberán identificarse como tales.