La inteligencia artificial ya no solo lee las proteínas de la vida. También empieza a escribirlas.
Durante décadas, averiguar la forma tridimensional de una proteína exigía paciencia de laboratorio y técnicas como la cristalografía de rayos X, la resonancia magnética nuclear o la criomicroscopía electrónica. Ese trabajo podía llevar meses o años, aunque de su resultado dependiera entender cómo actúa una molécula dentro de una célula.
AlphaFold cambió el tiempo de espera
Ahí entró AlphaFold, desarrollado por DeepMind, con una promesa muy concreta. El sistema predice la estructura tridimensional de proteínas a partir de su secuencia de aminoácidos, un paso que alteró la velocidad con la que los científicos pueden explorar el mundo molecular.
Pero el giro más llamativo llega después.
Los modelos de inteligencia artificial no solo ayudan a interpretar proteínas existentes, también generan secuencias nuevas que no han aparecido en ningún organismo conocido. Luego los investigadores analizan esas propuestas y las someten a pruebas experimentales, como quien pasa del plano a la maqueta y de la maqueta al túnel de viento.
Los laboratorios ya prueban proteínas que nadie había visto
Ese salto abre varias líneas a la vez y no todas miran al mismo problema. Algunas proteínas se estudian para intervenir en células tumorales, otras para neutralizar virus y otras para mejorar sistemas de diagnóstico, una ruta que conecta con vacunas diseñadas con IA que también buscan acortar el camino entre cálculo y ensayo.
No todo se juega en medicina.
También se investigan proteínas con propiedades mecánicas útiles para materiales avanzados, junto a aplicaciones ligadas a la captura de carbono y a la sostenibilidad ambiental. La idea resulta casi contraintuitiva porque una misma lógica computacional puede servir tanto para tocar una célula tumoral como para diseñar materiales o buscar formas de retener carbono.
Diseñar biología recuerda a la fiebre del genoma
Muchos científicos comparan este momento con la etapa de secuenciación masiva del genoma. La analogía no es casual, porque entonces la gran transformación consistió en leer a una velocidad inédita y ahora empieza a tomar forma otra capacidad distinta, la de proponer componentes biológicos nuevos con ayuda de algoritmos, algo que ya asomaba en el impacto científico de AlphaFold.
La diferencia está en que antes el reto era descifrar estructuras ya presentes en la naturaleza y ahora también consiste en imaginar secuencias inéditas. Entre ambas tareas media un cambio de escala, pero también de actitud, porque el laboratorio deja de limitarse a observar lo que existe y empieza a tantear lo que podría funcionar.
La tensión de fondo cabe en una imagen sencilla. Durante años, la biología molecular buscó leer con más rapidez un libro ya escrito; ahora ensaya las primeras frases de uno que ningún organismo había publicado.