AlphaFold 3 predice cómo se unen proteínas, ADN y fármacos en un solo modelo

El modelo de Google DeepMind e Isomorphic Labs supera a las herramientas de acoplamiento molecular clásicas, pero no modela el movimiento de las moléculas y a veces inventa estructura.

Enrique Barraza MohringPublicado el 22 de setiembre de 20263 min de lectura

Fuente

Accurate structure prediction of biomolecular interactions with AlphaFold 3

Autores: Abramson J, Adler J, Dunger J, Evans R, Green T, Pritzel A y otros
Publicado en: Nature, 2024
Revisión por pares: Sí
Licencia: CC BY 4.0
DOI: 10.1038/s41586-024-07487-w
Repositorio: Europe PMC

Leer el paper completo

Qué encontraron

AlphaFold 2 resolvió buena parte del problema de predecir la forma de una proteína a partir de su secuencia. Pero en la célula las proteínas casi nunca trabajan solas: se unen a ADN, ARN, iones, azúcares y a las moléculas pequeñas que usamos como fármacos. AlphaFold 3, de Google DeepMind e Isomorphic Labs, predice esas uniones en un solo modelo.

El cambio técnico central es un módulo de difusión, la misma familia de técnicas que usan los generadores de imágenes. En lugar de ajustar una estructura paso a paso, el modelo parte de ruido y lo refina hasta obtener las coordenadas de cada átomo.

Según el paper, AlphaFold 3:

supera con amplitud a las herramientas clásicas de acoplamiento molecular (docking) para predecir cómo se une un fármaco a su proteína;
predice mejor las uniones entre proteínas y ácidos nucleicos que los programas especializados en ellos;
mejora de forma marcada la predicción de uniones entre anticuerpos y antígenos respecto de su versión anterior.

La prueba más exigente fue PoseBusters, un conjunto de 428 estructuras de proteínas con ligandos publicadas desde 2021. Para evitar que el modelo hubiera visto las respuestas, los autores entrenaron una versión solo con datos hasta el 30 de setiembre de 2019. Los métodos de docking clásicos reciben información de la estructura ya resuelta, que no existiría en un caso real; AlphaFold 3 los supera sin esa ventaja.

Qué significa

Para el diseño de fármacos, la pregunta clave es dónde y cómo se acopla una molécula a su diana. Hasta ahora eso requería herramientas distintas según el tipo de molécula, y buena parte de ellas partían de una estructura experimental previa. Un modelo general que funciona sin esa estructura acorta el camino entre una hipótesis y el experimento que la pone a prueba.

La lectura más prudente es que AlphaFold 3 es una herramienta para priorizar, no para decidir. Sirve para descartar candidatos y elegir qué sintetizar primero. La validación experimental sigue siendo indispensable, sobre todo por los límites que el propio paper documenta.

Hay también una cuestión de acceso. Al publicarse, el modelo se ofreció como un servidor de uso no comercial, con restricciones en los ligandos permitidos, y sin código. Para laboratorios de países con menos recursos, esa forma de acceso define qué preguntas pueden investigar con él.

Límites

Inventa estructura. Como otros modelos generativos, puede producir estructura con apariencia plausible en regiones que en realidad son desordenadas. El modelo suele marcar esas regiones con baja confianza, pero no siempre se ven distintas a simple vista.
Errores químicos. No siempre respeta la quiralidad, la orientación espacial de los átomos que distingue a una molécula de su imagen en el espejo. En PoseBusters, incluso con una penalización en la clasificación, la tasa de violaciones fue de 4,4 %.
Fotografías, no películas. Predice estructuras estáticas, no cómo se mueven las moléculas en solución. En las ligasas E3, que cambian de forma al unirse a un ligando, predice siempre el estado cerrado, incluso cuando no hay ligando.
Evaluación de los propios autores. Las pruebas las hicieron los desarrolladores. Sin código disponible al momento de la publicación, la comunidad no podía reproducirlas de forma independiente.

Para el debate

Cuando un modelo que predice cómo se une un fármaco a su diana no publica su código, ¿quién puede auditar sus errores antes de que orienten decisiones de laboratorio?

Responde a hola@mohring.tech. Las mejores respuestas se publican en el boletín.

Fragmentos citados del paper (10)

AlphaFold 3 predice en un solo modelo la estructura conjunta de complejos con proteínas, ácidos nucleicos, moléculas pequeñas, iones y residuos modificados.
Here we describe our AlphaFold 3 model with a substantially updated diffusion-based architecture that is capable of predicting the joint structure of complexes including proteins, nucleic acids, small molecules, ions and modified residues.
Supera a las herramientas de acoplamiento en interacciones proteína-ligando y a los predictores especializados en interacciones con ácidos nucleicos.
far greater accuracy for protein–ligand interactions compared with state-of-the-art docking tools, much higher accuracy for protein–nucleic acid interactions compared with nucleic-acid-specific predictors and substantially higher antibody–antigen prediction accuracy compared with AlphaFold-Multimer v.2.3
El conjunto PoseBusters reúne 428 estructuras de proteína con ligando publicadas desde 2021.
Performance on protein–ligand interfaces was evaluated on the PoseBusters benchmark set, which is composed of 428 protein–ligand structures released to the PDB in 2021 or later.
Para esa prueba entrenaron una versión con datos hasta el 30 de setiembre de 2019, para que el modelo no hubiera visto las estructuras evaluadas.
PoseBusters analysis was performed using a training cut-off of 30 September 2019 for AF3 to ensure that the model was not trained on any PoseBusters structures.
Los métodos de acoplamiento clásicos usan información de la estructura resuelta que no existiría en un caso real, y aun así AlphaFold 3 los supera sin esa información.
Traditional docking methods use the latter privileged information, even though that information would not be available in real-world use cases. Even so, AF3 greatly outperforms classical docking tools such as Vina 37 , 38 even while not using any structural inputs
El modelo de difusión puede inventar estructura con apariencia plausible en regiones desordenadas.
The biggest issue is that generative models are prone to hallucination 35 , whereby the model may invent plausible-looking structure even in unstructured regions.
Incluso con una penalización en la clasificación, la tasa de violaciones de quiralidad fue de 4,4 %.
Despite this, we still observe a chirality violation rate of 4.4% in the benchmark.
Predice estructuras estáticas, no el comportamiento dinámico de las moléculas en solución.
A key limitation of protein structure prediction models is that they typically predict static structures as seen in the PDB, not the dynamical behaviour of biomolecular systems in solution. This limitation persists for AF3
En las ligasas E3 predice siempre el estado cerrado, aunque sin ligando adoptan el abierto.
For example, E3 ubiquitin ligases natively adopt an open conformation in an apo state and have been observed only in a closed state when bound to ligands, but AF3 exclusively predicts the closed state for both holo and apo systems
El paper anunció el modelo como un servidor de uso no comercial y sin código.
AlphaFold 3 will be available as a non-commercial usage only server at https://www.alphafoldserver.com , with restrictions on allowed ligands and covalent modifications. Pseudocode describing the algorithms is available in the Supplementary Information . Code is not provided.

Redactado por un agente de IA (claude-opus-5-5) a partir del paper citado y verificado de forma automática contra la fuente antes de publicarse: cifras, DOI, retracciones y licencia. ¿Encontraste un error? Escribe a hola@mohring.tech; la corrección se publica con fecha al pie.

Un correo por semana con los artículos de los temas que elijas. Suscríbete al boletín