ALPHAFOLD características e importancia de la IA

Hace un par de días le preguntamos a GEMINI (IA de Google) lo siguiente:
¿es posible medir el coeficiente intelectual de una inteligencia artificial – IA? ¿puede una IA ser mas inteligente que otra? ¿puede una IA encontrar soluciones a problemas como lo hicieron los grandes sabios humanos?. Pero, qué tiene que ver esto con ALPHAFOLD características e importancia de la IA. Lo primero es que nos pareció interesante buscar y encontrar un paralelo entre la inteligencia humana y la artificial. Queríamos encontrar un paralelo a nivel de su coeficiente intelectual – CI. Lo segundo es que definitivamente los avances de la IA nos están llevando a niveles aún no imaginados. No solo en la productividad sino en la producción de nuevo conocimiento. También en la solución a problemas que llevan muchos años de estudio y aún no encuentran la solución.

Aunque la respuesta a la primer pregunta fue “si”, tiene un pero. No es posible medir el CI de la IA utilizando las pruebas tradicionales diseñadas para los humanos. La razón es que el CI mide capacidades biológicas y cognitivas de los humanos. Sin embargo, el CI de la IA puede medirse a través del rendimiento de las máquinas y la calidad en los resultados obtenidos. Adicionalmente, podemos decir que no tenemos un estándar para medir el CI de la IA. Por lo cual, el tema se complejiza dado que la IA no cuenta con conciencia, ni sentido común ni adaptabilidad biológica. Estos tres temas son fundamentales en la inteligencia humana y por dende en los niveles a los que llega una persona en su CI.

Por otro lado, en referencia a si la IA puede resolver problemas como los grandes sabios, debemos reconocer que las IA no tienen momentos de inspiración. En consecuencia, no tiene los denominados eurekas intuitivos que poseemos las personas humanas. No obstante, encuentran soluciones combinando grandes volúmenes de datos a una gran velocidad. Por lo cual, existen sistemas de IA que resuelven problemas científicos reales superando las capacidades humanas. Y es aquí donde apareció ALPHAFOLD (de Google DeepMind. Es una IA que resolvió, entre otros, el misterio del plegamiento de proteínas, un hito biológico que habría tomado siglos a los científicos humanos.

No obstante, a las IAs les cuesta crear paradigmas científicos completamente nuevos desde cero dada su dependencia de los datos de entrenamiento. Sin embargo, se debe potenciar su capacidad para replicar y expandir el conocimiento existente. Entonces, volvamos sobre ALPHAFOLD características e importancia de la IA. Entremos en los detalles de qué es? en que consiste? para que sirve? y cómo está evolucionando. Debemos recordar que ALPAHFOLD es un sistema de IA que desarrolló Google DeepMind y que resuelve el problema del plegamiento de proteínas. Este hito científico, que desconcertó a los biólogos durante más de 50 años, le valió a sus creadores el Premio Nobel de Química.

La función principal de la IA ALPHAFOLD es predecir con precisión milimétrica la estructura tridimensional (3D) de una proteína. Esto lo hace a partir de su secuencia lineal de aminoácidos en cuestión de minutos. El sistema ha evolucionado a través de versiones consecutivas (AlphaFold 1, 2 y la más reciente 3) bajo las siguientes características técnicas y operativas:

• Arquitectura de aprendizaje profundo: utiliza modelos basados en Transformers (redes de atención neuronal) optimizados para la geometría molecular, conocidos como Evoformer y Pairformer.
• Modelado por difusión: la versión 3 ya incorpora redes de difusión. Estas redes son similares a las IA generadoras de imágenes. Por lo tanto, es posible ubicar las coordenadas exactas de cada átomo desde una nube difusa inicial.
• Predicción multimolecular: por lo cual no se limita a proteínas. De otro lado, es posible mapear interacciones complejas con ADN, ARN, ligandos químicos e iones.
• Precisión cuasi-experimental: alcanza una precisión estructural superior al 90%, igualando la fidelidad de métodos físicos de laboratorio extremadamente lentos.
• Base de datos masiva: a través de la ALPHAFOLD Protein Structure Databes – APSD, ofrece acceso libre a más de 200 millones de estructuras. Por lo cual es posible cubrir casi todas las proteínas que la ciencia conoce.
  

Ahora revisemos cuál es la importancia de ALPHAFOLD para la IA. Este sistema no es solo un logro de la biología. También es la demostración definitiva del potencial transformador de la IA en la ciencia misma y los avances científicos. Los siguientes son los tópicos más relevantes de ALPHAFOLD:

1. Tiempo de investigación y maduración: este es un sistema que ha tomado varias años de desarrollo desde 2018. Nace desde la evaluación crítica en la predicción de las estructuras (CASP por las siglas en inglés). Pasamos del desdoblamiento de las proteínas hasta la creación de nuevas con un efecto predeterminado. Así las cosas, es posible trabajar en nuevos y mejores medicamentos.
   
2. Salto de la IA “Generativa” a la IA “Científica”: el sistema evicencia la IA no solo sirve para procesar textos o generar imágenes. A través de esta IA es posible descifrar las leyes ocultas de la naturaleza y hablar el lenguaje de la evolución biológica.
   
3. Ahorro en tiempo y costo: los análisis anteriores tomaban un tiempo considerable. Los recursos que se destinaban tenían altos costos. La técnica usada estaba basada en cristalografía de rayos X. Ahora esta IA trae una nueva técnica que permite determinar la forma de las proteínas oportuna y efectivamente. ALPHAFOLD reduce este proceso a segundos u horas de cómputo, acelerando la investigación global por décadas.
   
4. Medicina de precisión y diseño de Fármacos: este sistema IA permite conocer la geometría exacta de los receptores celulares. Por lo tanto, los científicos pueden diseñar fármacos y anticuerpos a la medida. Es así como se encuentran soluciones a enfermedades complejas como el cáncer, el Alzheimer o la resistencia bacteriana.
   
5. Sostenibilidad y biología sintética: ALPHAFOLD permite modelar enzimas artificiales optimizadas. Estos resultados se usan en misiones ecológicas específicas, como la degradación acelerada de plásticos. Por otro lado, también puede utilizarse en la creación de cultivos agrícolas altamente resistentes al cambio climático
   

La trayectoria de AlphaFold representa una de las mayores revoluciones en la historia de la ciencia contemporánea. Como referimos anteriormente, en menos de una década, ha pasado de ser un proyecto experimental a convertirse en una herramienta que le otorgó a sus creadores el Premio Nobel de Química. El desarrollo del sistema ha avanzado en tres etapas clave, ampliando radicalmente su capacidad en cada versión:

• AlphaFold 1 (2018): Hizo su debut en la competencia de biología estructural CASP13. Usando redes neuronales profundas básicas, demostró que la IA podía predecir el plegamiento de proteínas mejor que cualquier software previo, aunque aún lejos de los laboratorios físicos.
  
• AlphaFold 2 (2020 – 2021): Fue el verdadero cambio de paradigma. Rediseñado desde cero con una arquitectura tipo Transformer (Evoformer), alcanzó una precisión idéntica a los experimentos de laboratorio. DeepMind liberó su código y, en colaboración con el EMBL-EBI, creó una base de datos pública con más de 200 millones de estructuras, mapeando casi todas las proteínas conocidas por la ciencia.
  
• AlphaFold 3 y la era multimérica: Lanzado con capacidades extendidas, el sistema dejó de modelar únicamente proteínas individuales. Ahora funciona bajo un marco de átomos completos (all-atom) capaz de predecir complejos enteros: cómo las proteínas interactúan dinámicamente con el ADN, ARN, compuestos químicos (ligandos) e iones.
  

Para finalizar, veamos como está evolucionando ALPHAFOLD hacia un ecosistema científico que se expande a nuevas fronteras:

1. Del “Diseño” a la simulación farmacológica total: en principio la IA predecía la forma fija de una proteína y luego otros simuladores acoplaban los fármacos. En los próximos años, los modelos avanzados predecirán la complejidad de la “proteína-fármaco” en un solo paso físico a través de la simulación. Por lo tanto será posible reducir la fase inicial de creación de medicinas de años a solo días.
   
2. Modelado del dinamismo celular (Conformaciones múltiples): las proteínas no son estáticas; se mueven, vibran y cambian de forma para cumplir funciones dentro de la célula. El gran reto técnico actual es lograr que la IA no solo tome una “fotografía” en 3D de la proteína, sino que genere “videos” o trayectorias moleculares que muestren sus múltiples estados de movimiento.
   
3. Expansión a otras inteligencias especializadas: inspirados en el éxito de ALPHAFOLD, la ciencia está viendo el nacimiento de derivados de DeepMind y la comunidad científica:
   AlphaMissense: Para evaluar qué mutaciones genéticas específicas causan enfermedades.
   AlphaProteo: Diseñado para crear nuevas proteínas sintéticas desde cero que combatan virus específicos o el cáncer.
   
4. Un mercado hipercompetitivo y de código abierto (Open-Source): aunque ALPHAFOLD 3 comenzó bajo una plataforma de acceso controlado, la comunidad científica ha respondido con fuerza. Modelos alternativos de código abierto como OpenFold 3 o el ecosistema Boltz (del MIT) están replicando y, en ocasiones, superando métricas específicas de DeepMind. Esto democratizará las herramientas industriales de biotecnología a nivel global
   

En niik siempre hemos estado interesados en conocer los principales avances científicos. Adicionalmente, hemos estado pendientes de la forma como las tecnologías emergentes (IA, Blockchain, Big Data, Iot, etc.)ayudan a solucionar problemas realmente complejos para la humanidad. Este es el caso del desarrollo de ALPHAFOLD a través de la IA. Son diversos y múltiples las posibilidades de aplicación: 1) entender la causa y comportamiento de las enfermedades. 2) desarrollo de las medicinas que nos protejan de las enfermedades. 3) tratamientos más efectivos contra el cáncer, el alzhéimer y otras enfermedades. 4) fabricación de enzimas para reducir el uso del plástico. 5) captura del carbono desde la atmósfera. Todas estas aplicaciones sin lugar a dudas mejorarán nuestra calidad de vida.

contactanos@niik.net
+57 3182352827 / +57 3103124796
#ConiikTIC
#TuCompañiaEnElMundoDigital

Fuentes: 1) Protein folding explained (Video Youtube). Kathryn Tunyasuvunakool. Google DeepMind. 2021. 2) The thinking game. Google DeepMind. 2026. 3) investigaciones realizadas por el equipo de arquitectura de niik. 08/2026.