Un nuevo modelo de IA, OpenFold3, está ampliando significativamente el acceso a una poderosa herramienta para predecir cómo interactúan las proteínas con otras moléculas, allanando el camino para acelerar el descubrimiento de fármacos y una mejor comprensión de los procesos biológicos. Construido como una reconstrucción de código abierto de AlphaFold3 de Google DeepMind, este desarrollo marca un paso crucial hacia la democratización de una tecnología previamente restringida.
El auge de OpenFold3: Una Respuesta al Acceso Limitado
AlphaFold3, lanzado en octubre de 2023, representa un avance significativo en inteligencia artificial, al permitir predicciones sobre cómo las proteínas interactúan no solo con otras proteínas, sino también con moléculas pequeñas como las que se encuentran en medicamentos y ácidos nucleicos. Sin embargo, DeepMind inicialmente limitó el acceso a AlphaFold3 a individuos, organizaciones no comerciales y periodistas, lo que obstaculizó una exploración científica más amplia. Reconociendo la necesidad de transparencia y una colaboración más amplia, un consorcio de investigadores dirigido por Mohammed AlQuraishi en la Universidad de Columbia recreó minuciosamente la plataforma AlphaFold3, dando como resultado OpenFold3. Este modelo de código abierto permite a las empresas e investigadores utilizar la tecnología con fines comerciales, incluidos los esfuerzos cruciales de desarrollo de medicamentos.
Por Qué Es Importante Predecir las Interacciones Proteicas
Comprender cómo interactúan las proteínas entre sí y con otras moléculas es fundamental para la biología. Las proteínas son los caballos de batalla de las células, y su función está fuertemente influenciada por su forma. “La biología no son proteínas aisladas. Son biomoléculas que interactúan entre sí”, explica Woody Sherman, fundador y director de innovación de Psivant Therapeutics y presidente del comité ejecutivo de OpenFold. Predecir estas interacciones es un paso crítico en el diseño de fármacos, ya que permite a los investigadores identificar posibles dianas farmacológicas y desarrollar moléculas que se unan y modulen eficazmente la actividad de las proteínas.
Lecciones aprendidas de AlphaFold2
La creación de OpenFold2 proporcionó información valiosa sobre el funcionamiento interno de los modelos de IA al estilo AlphaFold. Aunque inicialmente se presentó como un algoritmo que aprende cómo se pliegan las proteínas en función de las secuencias de aminoácidos, la investigación reveló que AlphaFold2 principalmente “memoriza” estructuras de proteínas observadas previamente y usa esas memorias para predecir las estructuras de proteínas similares. La aplicación de esta comprensión a AlphaFold3 podría desbloquear conocimientos similares sobre los emparejamientos proteína-fármaco, lo que conduciría a una mayor precisión de predicción. Stephanie Wankowicz, bióloga estructural computacional de la Universidad de Vanderbilt, destaca la importancia de la transparencia del código y afirma que es ” difícil evaluar un producto computacional sin ver la información en bruto.”
Los Desafíos de la Replicación
Mientras que otros equipos han intentado replicar AlphaFold3, lograr una alta precisión ha resultado difícil. Esto se debe en gran parte a los sutiles “trucos y ajustes” empleados por los creadores de AlphaFold3 que no están documentados explícitamente en el código o los materiales de apoyo. Sherman enfatiza la importancia de estos detalles y señala que ” Nadie está especificando eso… pero los detalles importan, especialmente cuando se trata de modelos grandes y con muchos datos.”El equipo de OpenFold3 reconoce que persisten algunas diferencias entre su modelo y el AlphaFold3 original.
Yendo Más Allá de las Estructuras Estáticas: Incorporando Realidades Biológicas
Los modelos actuales de IA, incluidos AlphaFold3 y OpenFold3, generan imágenes estáticas de proteínas. Sin embargo, en las células vivas, las proteínas están rodeadas de agua e iones, vibrando y moviéndose constantemente. El equipo de OpenFold3 tiene como objetivo incorporar estos factores dinámicos en su modelo, proporcionando una representación más realista de cómo se comportan las proteínas en su entorno natural.
Capacitación Colaborativa para Mejorar el Descubrimiento de Fármacos
Incluso antes de su lanzamiento oficial, OpenFold3 ganó fuerza dentro de la industria farmacéutica. Cinco empresas han unido fuerzas a través de la Iniciativa Federada OpenFold3 para entrenar el modelo de IA utilizando conjuntos de datos patentados, con el objetivo de construir una herramienta de predicción más poderosa y especializada al tiempo que protegen la información confidencial. Este enfoque colaborativo demuestra el potencial de OpenFold3 para acelerar los esfuerzos de descubrimiento de fármacos aprovechando el conocimiento específico de la industria. Actualmente, solo un pequeño porcentaje de estructuras de proteínas en bases de datos disponibles públicamente están emparejadas con moléculas con propiedades similares a las de los medicamentos, una brecha que esta iniciativa espera cerrar.
Un Impacto Gradual en el Descubrimiento de Fármacos
Si bien OpenFold3 ofrece una gran promesa, los expertos advierten contra la expectativa de cambios revolucionarios inmediatos en el descubrimiento de fármacos. “Será en la próxima etapa, y la próxima etapa y la próxima etapa donde realmente comenzaremos a ver ese impacto significativo”, concluye Sherman. OpenFold3 sirve como un punto de partida vital para los avances en el campo, empoderando a los investigadores y acelerando el desarrollo de terapias nuevas y efectivas.
