Google recorta proteínas y abarata 88% el diseño con IA

Comprobar si una proteína diseñada por IA encaja con su diana cuesta, en el caso de FAP, unos 59 segundos por candidato. Con la técnica que un equipo de Google describe en un informe técnico fechado el 14 de octubre, esa misma comprobación baja a unos 7 segundos: un 88% menos, que el blog del equipo traduce como 8,6 veces más rápido. La consecuencia práctica no es una predicción mejor, sino que el mismo presupuesto de cálculo rinde mucho más.

¿Qué es la epitope excision y por qué abarata el diseño de proteínas?

Para diseñar una proteína que se una a otra se generan miles de candidatas y se comprueba con un predictor de estructura —aquí AlphaFold 3— cuáles encajan. Ese paso se lleva la mayor parte del cálculo, y su coste crece con el tamaño de la proteína objetivo.

La propuesta del equipo, que llaman epitope excision, es no plegar la proteína entera: se queda con una ventana de entre 85 y 130 aminoácidos alrededor del punto de contacto. En FAP, que tiene unos 719 aminoácidos, el recorte elimina la mayor parte del trabajo.

El ahorro tiene límites que conviene conocer. En un banco de pruebas de 15 dianas, siete no mejoran nada porque sus complejos ya eran lo bastante pequeños. La técnica solo gana con dianas grandes y con varios dominios. Y recortar demasiado sale mal: en un barrido sobre nueve de esas dianas, por debajo de 85 aminoácidos solo el 32% de los recortes mantenía la geometría correcta, frente al 97% entre 85 y 200, aunque buena parte de esa caída se concentra en una sola diana.

¿Se pierde precisión al recortar la proteína objetivo?

Poca, según sus mediciones. En 3.666 diseños repartidos entre las 15 dianas, la diferencia mediana entre la estructura predicha con la proteína recortada y con la completa fue de 0,37 angstroms en la zona de contacto, con una media de 0,53, y el 88% de los casos quedó por debajo de un angstrom.

Lo que sí se degrada algo es la capacidad de ordenar candidatos: una métrica estándar baja 0,048 puntos de media y empeora en una de las 15 dianas. Es un precio bajo a cambio de poder hacer muchas más comprobaciones con el mismo dinero.

El agente de IA: más terreno cubierto con menos presupuesto

Aquí está la parte más interesante del trabajo y la menos contada. El equipo comparó tres formas de llevar una campaña de diseño contra FAP con el mismo presupuesto de cálculo, unas 133 horas de GPU:

• Un investigador solo: 5,06% de aciertos, explorando cuatro zonas de la proteína.
• Investigador con el agente: 9,33% de aciertos, un 84% más, y gastando solo el 58% del presupuesto.
• El agente solo: 6,18% de aciertos, pero explorando 13 zonas distintas y parando por su cuenta al 94% del presupuesto.

El agente —un modelo Gemini con un repertorio de acciones acotado: proponer estrategias, ampliar la búsqueda, profundizar, retroceder y detenerse— llegó por su cuenta a la misma estrategia que el investigador humano: tapar la entrada del canal donde la proteína hace su trabajo.

En el laboratorio, el equipo fabricó una biblioteca de 5.000 candidatos (1.250 por cada estrategia), los expuso en la superficie de células de levadura y aplicó tres rondas de selección cada vez más exigentes. Salieron 60 coincidencias exactas con los diseños computacionales, y cuatro de ellas se midieron con afinidades de 3,0 a 9,1 nanomolares, un nivel que el sector considera muy bueno. De esas 60, 24 (el 40%) venían del brazo autónomo y 8 (el 13%) del humano; por la fracción de biblioteca inicial que sobrevivió al cribado, el mejor fue el híbrido, con 0,83 frente al 0,50 del autónomo.

¿Qué no demuestra este trabajo?

Conviene decirlo sin adornos: no se han caracterizado estas moléculas en solución, no se ha medido si bloquean la actividad de FAP y no se ha probado nada en animales. Nada de esto demuestra un efecto terapéutico contra el cáncer.

Tampoco hay revisión por pares: es un documento técnico publicado por Google, no un artículo de revista, al contrario que AlphaFold 3, que se liberó como código abierto en 2024. Ni el método de recorte ni las herramientas de laboratorio que lo acompañan se han publicado. Los propios autores añaden que la comparación de autonomía se hizo con una sola diana, un solo tipo de estructura y un solo modelo.

¿Por qué FAP es una diana que importa?

FAP no es una elección casual. Según una revisión publicada en los Anales de la Real Academia Nacional de Medicina de España, es una proteinasa de serina que se expresa en la superficie de los fibroblastos activados y aparece en el estroma de más del 90% de los tumores epiteliales, con asociación a peor pronóstico en tumores de colon, páncreas, ovario y carcinoma hepatocelular. En adultos su expresión fisiológica se limita a tejidos de cicatrización y procesos fibróticos, lo que la vuelve atractiva como diana. La misma revisión señala que la evidencia terapéutica todavía es escasa, aunque ya se han usado ligandos inhibidores de FAP marcados con radioisótopos para imagen y, en un caso descrito, para terapia.

El contexto de sector ayuda a leer el anuncio. La consultora ResearchAndMarkets proyecta, según recogió GlobeNewswire, que el mercado británico de IA para descubrimiento de fármacos crezca de 230 millones de dólares a 1.620 millones en 2035, con una tasa anual compuesta del 24,12%, impulsado en parte por un fondo soberano de IA respaldado con hasta 500 millones de libras y un programa de 137 millones de libras de UKRI. En paralelo, GEN recuerda que Xaira Therapeutics arrancó en 2024 con más de 1.000 millones de dólares en financiación total, y que RFdiffusion, el modelo de diseño de proteínas de novo, se publicó en Nature en 2023.

El uso de agentes para investigación farmacéutica avanza en la misma dirección fuera de Google. Un trabajo surgido de un laboratorio de Stanford Medicine y publicado en Science, descrito por phys.org, presentó una biotecnológica virtual con 37.000 agentes de IA que catalogó unos 50.000 ensayos clínicos en menos de una semana y diseñó una terapia oncológica que una farmacéutica construyó después por su cuenta.

Qué significa esto para tu startup

El cuello de botella del diseño de proteínas con IA no es la creatividad, es la factura. Si comprobar cada candidato cuesta diez veces menos, se pueden explorar diez veces más ideas con el mismo dinero, y eso abre dianas que hoy se descartan por grandes o complicadas. Tres cosas que puedes llevarte aunque tu startup no haga biología:

• Antes de pedir más cómputo, redefine el problema. El hallazgo de Google no es un modelo más potente: es un mejor planteamiento de la entrada. Identifica el input completo que procesas hoy y pregúntate cuál es la ventana mínima que contiene la señal. Mide la desviación de tu métrica principal entre input completo y recortado sobre una muestra amplia antes de escalar: en el caso de Google la mediana fue de 0,37 angstroms sobre 3.666 diseños.
• Usa agentes para explorar y humanos para decidir. El brazo híbrido logró 9,33% de aciertos frente al 5,06% del investigador solo, con menos presupuesto. Pero el agente autónomo, aunque menos preciso, cubrió 13 zonas en lugar de cuatro y aportó el 40% de las coincidencias de laboratorio. Asigna a los agentes el barrido amplio y reserva el juicio final al equipo humano.
• No comprometas tu roadmap con resultados no revisados. El método de Google no está publicado ni revisado por pares. Si vas a construir sobre la capacidad de un proveedor, exige código, validación externa o una prueba propia antes de firmar contratos.

Para un equipo en LATAM o España, donde el acceso a cómputo sigue siendo la restricción más dura, la lección es que la eficiencia es una ventaja competitiva real y no un detalle de ingeniería. El trabajo también describe otros dos frentes del mismo equipo: un sistema de verificación para laboratorios robotizados que impide ejecutar instrucciones imposibles, y campañas de diseño de aptámeros de ADN donde los agentes encontraron atajos indeseados antes de corregirse en rondas posteriores.

Conclusión

El titular que circuló, el de una predicción 8,6 veces más rápida, no es exacto: el predictor es el mismo y lo que cambia es lo que se le da de entrada. El hallazgo útil es que el ahorro viene de plantear mejor el problema, no de más potencia de cálculo. Y el resultado del agente autónomo merece atención: no fue el más preciso, pero fue el que más terreno cubrió y el que más coincidencias aportó en el laboratorio, lo que sugiere que su valor está en explorar lo que un humano descarta por intuición.

Dicho eso, mientras no haya revisión por pares, código publicado ni validación externa, esto sigue siendo una demostración de Google sobre el trabajo de Google. Trátalo como una dirección prometedora, no como un resultado listo para tu pipeline de producción.

Fuentes

• wwwhatsnew.com: Google recorta las proteínas para abaratar el diseño de fármacos con IA (fuente original)
• phys.org: Virtual biotech company puts thousands of AI scientist agents to work on drug discovery
• GlobeNewswire vía Yahoo Finance: UK AI in Drug Discovery Market Size, Share, Trends and Forecast to 2035
• GEN: Protein Design's AI Revolution: Inside David Baker's Communal Brain
• Anales de la Real Academia Nacional de Medicina de España: Teragnosis en medicina nuclear