Skip to content
Una IA acaba de ganar un premio Nobel por resolver un problema que dejó estancada a la biología durante 50 años
IA y tecnología

Una IA acaba de ganar un premio Nobel por resolver un problema que dejó estancada a la biología durante 50 años

Ilustración de tuput

Español

Durante medio siglo, averiguar cómo se pliega una proteína llevaba años de minucioso trabajo de laboratorio, y hay miles de millones de ellas. Entonces una IA aprendió a predecir la respuesta en segundos. Ahora ha mapeado casi todas las proteínas conocidas, y está empezando a diseñar medicamentos.

· · 4 min de lectura

Todo ser vivo funciona gracias a las proteínas. Digieren tu comida, transportan oxígeno en tu sangre, combaten infecciones, y construyen la estructura de tus células. Y el trabajo de una proteína lo decide casi por completo una sola cosa: su forma.

El problema es que una proteína se construye como una larga cadena que luego se pliega sobre sí misma, en una fracción de segundo, formando un intrincado nudo tridimensional. Averiguar esa forma final, a partir solo de la cadena, era uno de los problemas abiertos más difíciles de toda la biología. Durante 50 años se resistió a los mejores científicos del mundo.

Entonces una IA lo resolvió. Y en 2024, ese logro ganó el Premio Nobel de Química.

Por qué el plegamiento era tan difícil

El problema en una frase: una proteína podría, en teoría, plegarse en un número astronómico de formas posibles, pero en la realidad se fija en una sola. Predecir cuál, a partir de la receta química, es endiabladamente complejo.

Durante décadas, la única forma fiable de averiguar la estructura de una proteína era determinarla experimentalmente: técnicas de laboratorio minuciosas que podían llevarle años a un estudiante de doctorado resolver una sola. Mientras tanto, la biología había secuenciado las recetas de cientos de millones de proteínas cuyas formas seguían siendo un misterio. La brecha entre “las recetas que conocemos” y “las formas que entendemos” era un cañón.

Entra en escena AlphaFold

El sistema que cerró esa brecha se llama AlphaFold, construido por el laboratorio de IA Google DeepMind. En lugar de simular la física del plegamiento, aprendió. Entrenado con las proteínas cuyas estructuras los científicos habían resuelto minuciosamente, se enseñó a sí mismo los patrones profundos que conectan una cadena con su forma final.

El resultado dejó atónito al campo. En una competición de larga trayectoria donde equipos compiten para predecir estructuras de proteínas, AlphaFold ganó, y por un amplio margen: produjo predicciones tan precisas que rivalizaban con los experimentos de laboratorio, lentos y costosos. Un problema medido en años se redujo a uno medido en segundos.

Casi todas las proteínas que conocemos, mapeadas

DeepMind hizo entonces algo que multiplicó enormemente el impacto: trabajando con el Instituto Europeo de Bioinformática, ejecutó AlphaFold sobre esencialmente todas las proteínas que la ciencia tenía registradas (más de 200 millones) y publicó toda la base de datos, gratis, para el mundo.

De la noche a la mañana, investigadores que podrían haber pasado años persiguiendo una sola estructura podían simplemente buscarla. Desde entonces, esa base de datos ha atraído a más de tres millones de usuarios en más de 190 países, alimentando trabajos que van desde la resistencia a los antibióticos hasta enfermedades tropicales desatendidas, pasando por las enzimas que algún día podrían descomponer los residuos plásticos.

En 2024, el Premio Nobel de Química reconoció este trabajo. La mitad fue para David Baker, por la hazaña igualmente difícil de diseñar proteínas completamente nuevas desde cero. La otra mitad la compartieron Demis Hassabis y John Jumper, de DeepMind, por predecir las formas de las proteínas ya existentes. El premio fue para tres personas, no para una máquina.

De leer proteínas a diseñar medicamentos

Conocer la forma de una proteína no es solo académico. La mayoría de los medicamentos modernos funcionan enganchándose a una proteína específica, una cerradura para la que el fármaco es la llave. Si puedes ver la cerradura en detalle, puedes diseñar una llave mejor.

Las versiones más nuevas del sistema van más allá, prediciendo no solo la forma de una proteína sino cómo interactuará con otras moléculas, exactamente la pregunta que un diseñador de fármacos necesita responder. Está convirtiendo las lentas y azarosas etapas iniciales del descubrimiento de fármacos en algo más rápido y más deliberado.

La lección más grande

Es tentador meter a AlphaFold en el mismo saco que los chatbots y los generadores de imágenes, pero es una historia distinta (y en algunos sentidos más importante) sobre la IA. No es una máquina que produce palabras plausibles. Es una máquina que resolvió un problema científico genuino y de décadas de antigüedad, produjo respuestas que los experimentalistas pudieron verificar, y entregó los resultados a todo el mundo de forma gratuita.

Esa es la versión de la IA que vale la pena celebrar: no la que escribe tus correos, sino la que en silencio está reescribiendo lo que es posible en un laboratorio. Un problema que dejó estancada a la biología durante medio siglo ha sido en gran medida resuelto, aunque no cerrado del todo. AlphaFold te da una forma fija, y muchísimas proteínas importan precisamente porque se mueven, o porque no tienen ninguna forma fija en absoluto, o porque una sola letra cambiada altera cómo se comportan. Esas son las partes en las que todavía se equivoca. El mismo enfoque se está aplicando ahora al cáncer, a nuevos antibióticos, a enfermedades que nos han resistido durante generaciones.

Las máquinas aprendieron a leer el lenguaje de la vida. Apenas estamos empezando a descubrir qué nos ayudarán a escribir con él.

Share
Copied!

Fuentes y lecturas adicionales

  1. The Nobel Prize in Chemistry 2024: NobelPrize.org
  2. Google DeepMind: AlphaFold
  3. Nature: Chemistry Nobel goes to developers of AlphaFold

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#alphafold#deepmind#biology#nobel prize#drug discovery

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
Para qué fueron los 33 premios Nobel de ciencia de 2016 a 2026, de las ondas gravitacionales a las vacunas de ARNm y AlphaFold
Las ondas gravitacionales, las tijeras de edición genética, las vacunas de ARNm y una IA que pliega proteínas ganaron premios en este tramo. Aquí está para qué se concedió cada uno de los 33, en una o dos frases.
El artículo de OpenAI de 2020 sobre leyes de escala halló que la pérdida del modelo cae como una ley de potencias a lo largo de más de siete órdenes de magnitud, y el de DeepMind de 2022 sobre Chinchilla mostró que un modelo de 70 000 millones de parámetros podía superar a uno de 280 000 millones con el mismo cómputo
El tamaño de un modelo, su texto de entrenamiento y su factura de cómputo pueden intercambiarse entre sí. Esto es lo que midió cada artículo, las cifras que imprimió cada uno, un intento de replicación y lo que dice un informe de seguridad de 2026 sobre hasta dónde llegan las reglas.
Ocho autores de Google publicaron el artículo del Transformer el 12 de junio de 2017, y su modelo grande obtuvo 28,4 BLEU del inglés al alemán tras 3,5 días con ocho GPU
Un recorrido por el diseño que hay detrás de los chatbots de hoy, con las tablas del propio artículo y el ejemplo de Google de una palabra que tiene que mirar a un río. También cubre las partes del diseño de 2017 que los modelos posteriores conservaron, cambiaron o descartaron.
← todos los artículos