Un equipo de Google ha demostrado que se pueden diseñar con IA proteínas capaces de unirse a dianas grandes y complejas a una fracción del coste habitual: basta recortar la proteína objetivo y quedarse solo con la zona donde se va a producir la unión. Con esa técnica y un agente de Gemini 3.1 Pro dirigiendo el proceso, han obtenido moléculas que se unen a FAP, una proteína asociada a tumores sólidos, con afinidades de entre 3 y 9 nanomolares en pruebas de laboratorio. Lo cuentan en un informe técnico fechado el 14 de octubre y en el blog de Google Research.
El titular que ha circulado, que Google acelera 8,6 veces la predicción de estructuras de proteínas, no es exacto: el predictor es el mismo, lo que cambia es lo que se le da de entrada.
¿En qué consiste recortar la diana?
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 consume 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 quedarse con una ventana de entre 85 y 130 aminoácidos alrededor del punto de contacto en lugar de plegar la proteína entera. En el caso de FAP, de unos 719 aminoácidos, cada comprobación baja de unos 59 segundos a unos 7: un 88 % menos, que es lo que el blog de Google traduce como 8,6 veces más rápido.
El ahorro tiene límites claros. En el banco de pruebas de 15 dianas, siete no mejoran nada, porque sus complejos ya eran lo bastante pequeños. Solo gana con dianas grandes y con varios dominios. Y recortar demasiado sale mal: en el barrido hecho sobre nueve de esas dianas, por debajo de 85 aminoácidos solo un 32 % de los recortes mantiene 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?
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.
La capacidad de ordenar candidatos sí se degrada algo: una métrica estándar baja 0,048 puntos de media y empeora en una de las 15 dianas. Es un precio pequeño a cambio de poder hacer muchas más comprobaciones con el mismo presupuesto.
¿Qué aporta el agente de IA?
Aquí está la parte más interesante del trabajo, y la que menos se ha contado. 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. Esa cifra es el resultado de volver a puntuar su campaña con el criterio común del estudio; con su criterio original era del 9,92 %.
- Investigador con el agente: 9,33 % de aciertos, es decir, un 84 % más, y gastando solo el 58 % del presupuesto.
- El agente solo, sin supervisión: 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, detenerse), llegó por su cuenta a la misma estrategia que el investigador humano: tapar la entrada del canal donde la proteína hace su trabajo. Es el tipo de resultado que ya vimos cuando Google puso la IA al servicio de los investigadores con Gemini for Science.
¿Y en el laboratorio?
Aquí está la validación que da peso al trabajo. El equipo fabricó una biblioteca de 5.000 candidatos, 1.250 por cada estrategia, y los expuso en la superficie de células de levadura para ver cuáles se unían a FAP, con tres rondas de selección cada vez más exigentes.
De ahí 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 en la jerga del sector se considera muy bueno. De esas 60 coincidencias, 24 (el 40 %) venían del brazo autónomo y 8 (el 13 %) del humano. Por otra métrica, la fracción de la biblioteca inicial que sobrevivió al cribado, el mejor fue el híbrido, con 0,83 frente al 0,50 del autónomo.
Conviene decir lo que no hay. No se han caracterizado estas moléculas en solución, no se ha medido si bloquean la actividad de FAP ni se ha probado nada en animales. Nada de esto demuestra un efecto terapéutico contra el cáncer. El informe tampoco está revisado por pares: es un documento técnico publicado por Google, no un artículo en una 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 más cautelas: la comparación de autonomía se hizo con una sola diana, un solo tipo de estructura y un solo modelo, y plegar recortes sin información evolutiva de la diana funciona peor cuando esa información es escasa.
¿Por qué importa esto para el diseño de fármacos?
Porque 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.
El mismo blog describe otros dos frentes del 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, como aprovechar estructuras que se pegan a casi todo, antes de corregirse en rondas posteriores. Es el mismo tipo de prudencia que llevó a DeepMind a incrustar una firma invisible en las proteínas diseñadas con IA.
Mi lectura es que el hallazgo útil no es la cifra de velocidad, sino la idea de que el ahorro viene de plantear mejor el problema, no de más potencia. Recortar la proteína al trozo que importa es el equivalente a dejar de releer el libro entero para consultar una página. 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 es una demostración de Google sobre el trabajo de Google.