Noticias IA · Biología Computacional, Bioinformática y Ciencia Abierta
Edición: Álvaro MaureiraFecha: 2026-11-02Fuente: Google DeepMind & Isomorphic Labs Biomolecular Research
Google DeepMind cumplió su compromiso con la comunidad científica mundial al publicar el código fuente completo y los pesos del modelo AlphaFold 3 para fines académicos y de investigación sin ánimo de lucro. A diferencia de las iteraciones anteriores centradas únicamente en el plegamiento de cadenas de aminoácidos, AlphaFold 3 modela la estructura conjunta y las afinidades de enlace atómico entre proteínas, ADN, ARN, iones y pequeñas moléculas farmacológicas, acelerando radicalmente el descubrimiento de tratamientos médicos.
Capítulo 01
La noticia en una frase
DeepMind liberó el código y pesos de AlphaFold 3 para predecir estructuras biomoleculares complejas de proteínas, ácidos nucleicos y fármacos.
En noviembre de 2026, DeepMind habilitó el repositorio en GitHub con el código de inferencia y los pesos neuronales de AlphaFold 3. En pruebas comparativas ciegas contra el banco de datos cristalográficos de proteínas (PDB), AlphaFold 3 demostró una precisión superior al 50% frente a métodos tradicionales de acoplamiento molecular (docking) en la predicción de complejos proteína-ligando y un 76% en interacciones de anticuerpos monoclonales.
Capítulo 02
El alcance que cambia la lectura
El lanzamiento inicial de AlphaFold 3 a través de un servidor web restrictivo había generado debate en la comunidad científica global, que exigía acceso al código fuente para validar experimentalmente hipótesis farmacéuticas independientes. La liberación pública de los pesos permite a laboratorios de universidades y centros de investigación ejecutar predicciones sin restricciones de cuota ni dependencia de servidores de Google.
Capítulo 03
El mecanismo documentado
La arquitectura sustituye los módulos de predicción de invariancia rotacional tradicionales por un Diffusion Module directo que opera sobre coordenadas atómicas tridimensionales brutas. El modelo aprende simultáneamente las fuerzas termodinámicas y las restricciones estéricas de enlace químico sin requerir campos de fuerza empíricos programados manualmente.
Capítulo 04
La relación entre las piezas
AlphaFold 3 se integra con herramientas de visualización y modelado molecular como PyMOL, ChimeraX y suites de dinámica molecular (GROMACS y AMBER), permitiendo a los bioinformáticos simular la flexibilidad conformacional de fármacos candidatos directamente tras la predicción estática.
Capítulo 05
Qué capacidad se puede atribuir
Se comprueba una fidelidad asombrosa para modelar modificaciones post-traduccionales (como fosforilaciones y glicosilaciones) y la unión de iones metálicos esenciales. Sin embargo, no se debe atribuir al modelo la capacidad de predecir con certeza absoluta la farmacocinética o toxicidad in vivo de un compuesto en organismos humanos complejos.
Capítulo 06
La puerta de control
DeepMind acompañó la liberación con salvaguardas bioéticas coordinadas con organismos internacionales de bioseguridad para mitigar riesgos de diseño accidental de patógenos o toxinas químicas peligrosas.
Capítulo 07
Lo que la fuente no demuestra
La fuente explicita que AlphaFold 3 no predice las trayectorias de plegamiento dinámico a escala de tiempo real (cinética de plegamiento), sino las configuraciones de mínima energía del complejo estático cristalizable.
Capítulo 08
Cómo probarlo sin prometer de más
Los investigadores con GPUs NVIDIA compatibles pueden clonar el repositorio oficial de DeepMind, descargar los pesos previa aceptación de los términos de investigación y ejecutar la suite de inferencia mediante scripts de Python documentados en Docker.
Capítulo 09
Veredicto editorial
La apertura de AlphaFold 3 representa uno de los mayores triunfos de la ciencia colaborativa de la década: poner la herramienta de predicción molecular más avanzada del planeta en manos de miles de biólogos e investigadores dedicados a erradicar enfermedades.
Fuente oficial y reporte: alvaromaureira.cl
