Noticias IA · Biología Estructural, AlphaFold 3 y Predicción Molecular Completa
Edición: Álvaro MaureiraFecha: 2026-11-02Fuente: Google DeepMind & Isomorphic Labs
Google DeepMind, en conjunto con Isomorphic Labs, anunció la liberación pública del código fuente completo y los pesos entrenados de AlphaFold 3 para fines académicos y de investigación sin fines de lucro. Tras una etapa inicial en la que el sistema solo era accesible mediante cuotas restringidas a través del servidor web AlphaFold Server, la decisión abre las puertas para que científicos de todo el mundo puedan clonar, inspeccionar y ejecutar en sus propios clústeres de computación la herramienta de IA biomolecular más avanzada del planeta, capaz de predecir la estructura tridimensional y las interacciones de todos los bloques fundamentales de la vida.
Capítulo 01
La noticia en una frase
Google DeepMind liberó el código y pesos de AlphaFold 3 para científicos, permitiendo predicción local de complejos biomoleculares.
Con esta liberación, investigadores en virología, oncología y biología celular pueden ejecutar simulaciones a gran escala sin restricciones de volumen diario, permitiendo el cribado computacional masivo de complejos proteína-ligando y el análisis de modificaciones postraduccionales directamente en sus laboratorios.
Capítulo 02
El alcance que cambia la lectura
Mientras AlphaFold 2 se limitaba exclusivamente a predecir estructuras de proteínas aisladas, AlphaFold 3 abarca el universo molecular completo: interacciones de proteínas con cadenas de ADN y ARN, ligandos químicos (moléculas de fármacos candidatos), iones y modificaciones covalentes, resolviendo un cuello de botella biológico que históricamente demandaba años de cristalografía de rayos X.
Capítulo 03
El mecanismo documentado
AlphaFold 3 reemplaza el módulo Evoformer previo por una arquitectura de red de difusión biomolecular (Diffusion Module) que opera directamente sobre coordenadas atómicas en el espacio tridimensional continuo. El sistema condiciona el proceso de desruidado mediante representaciones de pares moleculares derivadas de secuencias biológicas y bases de datos cristalográficas mundiales (PDB).
Capítulo 04
La relación entre las piezas
El modelo se integra con marcos computacionales de dinámica molecular y diseño de fármacos basados en física (como Rosetta y GROMACS), acelerando las fases preliminares de identificación de dianas terapéuticas y síntesis molecular guiada por IA.
Capítulo 05
Qué capacidad se puede atribuir
Se constata una precisión de predicción atómica sin precedentes en complejos de anticuerpos y antígenos, así como en la conformación de receptores de membrana. No obstante, no se debe asumir que el modelo determine por sí solo la farmacocinética o la toxicidad metabólica en organismos vivos sin validación clínica in vivo.
Capítulo 06
La puerta de control
La licencia académica exige el cumplimiento de acuerdos de investigación no comercial y prohíbe la apropiación propietaria de los pesos de DeepMind, protegiendo el carácter de bien público del avance científico.
Capítulo 07
Lo que la fuente no demuestra
DeepMind y Nature advierten que AlphaFold 3 todavía puede mostrar incertidumbre en regiones intrínsecamente desordenadas de ciertas macromoléculas y que la predicción de afinidad termodinámica cuantitativa requiere refinamiento empírico.
Capítulo 08
Cómo probarlo sin prometer de más
Los científicos acreditados pueden descargar el código fuente en GitHub (`github.com/google-deepmind/alphafold3`) y solicitar acceso verificado a los parámetros del modelo para ejecución en entornos locales con GPUs compatibles.
Capítulo 09
Veredicto editorial
La apertura de los pesos de AlphaFold 3 representa una victoria extraordinaria para la ciencia abierta global: la democratización definitiva de una herramienta que acelerará por décadas el descubrimiento de nuevos tratamientos médicos y la comprensión del mapa de la vida.
Fuente oficial y reporte: Google DeepMind & Isomorphic Labs
