✨︎ Resumen (TL;DR):
- Científicos de EPFL desarrollaron un marco de IA para simular los movimientos completos y dinámicos de las proteínas a nivel atómico.
- La tecnología supera las limitantes de modelos estáticos como AlphaFold al utilizar redes neuronales de grafos.
- El avance acelerará el diseño de medicamentos al reemplazar métodos lentos de ensayo y error en la industria farmacéutica.
Científicos de la École Polytechnique Fédérale de Lausanne (EPFL) desarrollaron una inteligencia artificial capaz de generar modelos completos de los movimientos dinámicos de las proteínas. El sistema supera las limitaciones de las predicciones estáticas tradicionales para acelerar el diseño y descubrimiento de nuevos medicamentos.
LD-FPG (Latent Diffusion for Full Protein Generation) es un modelo de difusión que simula las reestructuraciones atómicas continuas necesarias para que las proteínas cumplan sus funciones biológicas.
A diferencia de predictores como AlphaFold de DeepMind, que entregan imágenes fijas, la herramienta de la EPFL captura la flexibilidad real de las moléculas. El software trata cada proteína como un grafo matemático, donde los átomos actúan como nodos y los enlaces químicos como bordes.
“Las proteínas son como pequeñas máquinas que bailan y se encienden y apagan para funcionar, pero generar esta ‘película’ con todo detalle había sido un reto sin resolver”, explicó Aditya Sengar, investigador del Laboratorio de Ingeniería de Proteínas y Células de la EPFL.
Sengar precisó el funcionamiento de esta arquitectura matemática: “Nuestro marco LD-FPG es el primero en hacer esto. En lugar de intentar predecir las coordenadas exactas de los átomos en el espacio, nuestro modelo aprende un mapa de bajas dimensiones de los cambios de forma de la proteína”.
Impacto directo en la industria farmacéutica
El equipo científico logró aplicar esta tecnología en los receptores acoplados a proteínas G, un objetivo central para las empresas farmacéuticas a nivel global.
- Durante las pruebas, los investigadores generaron representaciones dinámicas del receptor de dopamina D2.
- El modelo simuló la proteína tanto en su estado activo como inactivo.
- La base de datos de este experimento ya fue liberada con acceso abierto para la comunidad científica.
“Además de mejorar la comprensión biológica, creemos que nuestro trabajo ayudará a mejorar los procesos de selección virtual de proteínas, que actualmente implican mucho ensayo y error, acelerando así el descubrimiento de fármacos”, detalló Sengar.
El estudio completo se publicó este lunes en los Proceedings of NeurIPS 2025, bajo la dirección de los científicos Patrick Barth y Pierre Vandergheynst. Los desarrolladores ya preparan ajustes para procesar proteínas más grandes.
Pese al avance técnico, Vandergheynst advirtió sobre el riesgo de depender ciegamente de la tecnología sin curaduría humana.
“Muchos asumen que alimentar a los modelos de IA con conjuntos de datos masivos resolverá automáticamente los problemas científicos o reemplazará a los investigadores”, concluyó Vandergheynst. “Sin embargo, gran parte de esos datos son ruidosos o están mal evaluados. Necesitamos científicos humanos para producir los datos limpios y los puntos de referencia rigurosos que requiere la IA”.
