Google abarata un 88 % el diseño de proteínas con IA para atacar una diana tumoral
Un equipo de Google ha desarrollado una técnica para reducir de forma notable el coste computacional del diseño de proteínas capaces de unirse a otras moléculas. El método consiste en recortar la proteína objetivo y conservar únicamente la zona en la que tendrá lugar la unión.
Aplicado a FAP, una proteína relacionada con varios tumores sólidos, el sistema generó moléculas que se unieron a esta diana con afinidades de entre 3 y 9,1 nanomolares en pruebas de laboratorio. Una afinidad nanomolar indica una unión fuerte: cuanto menor es el valor, menos concentración se necesita para que la molécula se adhiera a su objetivo.
El avance no demuestra todavía un tratamiento contra el cáncer. Las moléculas no se han probado en animales, no se ha confirmado que bloqueen la actividad de FAP y tampoco se han caracterizado en solución. El trabajo es, por ahora, una demostración técnica de diseño asistido por inteligencia artificial.
Recortar la diana para reducir el coste de AlphaFold 3
Diseñar una proteína que se una a otra requiere generar miles de candidatas y predecir cómo se plegarán y encajarán. Para ello, el equipo utilizó AlphaFold 3, un modelo de inteligencia artificial que estima la estructura tridimensional de proteínas y otros complejos biológicos.
El principal coste de este proceso está en analizar el tamaño completo de la proteína objetivo. La propuesta de Google, denominada epitope excision, consiste en seleccionar una ventana de entre 85 y 130 aminoácidos alrededor del punto de contacto. Los aminoácidos son las unidades básicas que forman las proteínas.
En el caso de FAP, una proteína de aproximadamente 719 aminoácidos, cada comprobación pasó de tardar unos 59 segundos a alrededor de siete. Esto supone un ahorro del 88 % del tiempo de cálculo, equivalente a realizar el proceso 8,6 veces más rápido con los mismos recursos.
La cifra no significa que AlphaFold 3 se haya acelerado. El modelo predictivo es el mismo; lo que cambia es la cantidad de información que recibe. En lugar de analizar toda la proteína, estudia la región relevante para la interacción.
El recorte funciona sobre todo con proteínas grandes
La técnica no ofrece ventajas en cualquier situación. En una evaluación con 15 dianas, siete no mejoraron porque sus complejos ya eran suficientemente pequeños. El ahorro aparece principalmente cuando se trabaja con proteínas grandes y formadas por varios dominios.
También existe un límite por debajo del cual el recorte puede distorsionar la forma de la zona de unión. En un análisis realizado sobre nueve dianas, solo el 32 % de los fragmentos de menos de 85 aminoácidos conservó la geometría correcta. En cambio, la proporción subió al 97 % en fragmentos de entre 85 y 200 aminoácidos.
La diferencia entre las estructuras calculadas con la proteína recortada y con la completa fue reducida. En 3.666 diseños, la desviación mediana en la zona de contacto fue de 0,37 angstroms, una unidad utilizada para medir distancias a escala atómica. El 88 % de los casos quedó por debajo de un angstrom.
El sistema sí perdió algo de precisión al ordenar las candidatas, con una caída media de 0,048 puntos en una métrica estándar. Aun así, el equipo considera que el sacrificio puede compensar si permite evaluar muchas más opciones con el mismo presupuesto de computación.
Un agente de Gemini explora estrategias de diseño
El experimento también comparó tres formas de organizar una campaña de diseño contra FAP con unas 133 horas de procesamiento gráfico. Una de ellas empleó un agente basado en Gemini 3.1 Pro, con acciones limitadas para proponer estrategias, ampliar la búsqueda, profundizar en una línea, retroceder o detener el proceso.
El agente llegó de forma autónoma a una estrategia similar a la elegida por los investigadores: bloquear la entrada de un canal que FAP utiliza en su actividad biológica. La inteligencia artificial no se limitó a generar proteínas, sino que decidió cómo orientar la búsqueda dentro de un presupuesto cerrado.
Después, el equipo fabricó una biblioteca de 5.000 candidatas, 1.250 por estrategia. Estas proteínas se mostraron en la superficie de células de levadura y se sometieron a tres rondas de selección, cada una más exigente que la anterior, para identificar cuáles se unían a FAP.
El cribado encontró 60 coincidencias exactas con los diseños computacionales. De ellas, 24 procedían de la estrategia autónoma y ocho de la estrategia humana. Cuatro candidatas se analizaron con más detalle y presentaron afinidades de entre 3,0 y 9,1 nanomolares.
El sistema híbrido, que combinaba intervención humana y exploración automática, obtuvo la mayor proporción de candidatos supervivientes en relación con la biblioteca inicial: un 0,83, frente al 0,50 del enfoque autónomo. El agente, sin embargo, fue el que aportó más coincidencias exactas.
Un resultado prometedor, pero todavía preliminar
El estudio tiene limitaciones importantes. La comparación de autonomía se realizó con una sola diana, un único tipo de estructura y un solo modelo de inteligencia artificial. Además, el rendimiento puede empeorar cuando existe poca información evolutiva sobre la proteína objetivo.
El método de recorte y las herramientas de laboratorio utilizadas no se han publicado, y el informe aún no ha pasado por una revisión independiente por pares. Por tanto, los resultados necesitan ser reproducidos por otros grupos antes de valorar su alcance real.
La importancia del trabajo está en que aborda uno de los principales obstáculos del diseño de fármacos con IA: el coste de comprobar cada candidato. Si una evaluación consume diez veces menos recursos, los investigadores pueden explorar muchas más moléculas sin aumentar el presupuesto.
La estrategia sugiere que el progreso no depende únicamente de modelos más potentes. En algunos casos, también puede lograrse planteando mejor el problema y concentrando el análisis en la parte de la proteína que realmente importa. Para convertir ese ahorro en nuevos tratamientos, todavía serán necesarios más experimentos, validación externa y ensayos biológicos.
