En marzo de 2016, DeepMind, una subsidiaria de Google, decidió enfocar su maestría en aprendizaje automático hacia un desafío monumental en el ámbito de la biología: la predicción de la estructura tridimensional de proteínas basada en sus secuencias de aminoácidos. Este desafío, conocido en el ámbito científico como un problema en exceso complejo, encontró en AlphaFold 1 la primera chispa revolucionaria, al ser presentado en la competencia CASP13 en 2018. No obstante, el legado de AlphaFold iniciaría un camino hacia el que sería considerado uno de los avances más significativos de la década.
El sistema de AlphaFold 1 fue un extraordinario ejemplo de convergencia tecnológica, integrando aprendizaje profundo, bioinformática, estadística y optimización numérica en un formato innovador. A diferencia de sus competidores, AlphaFold 1 se distinguió al predecir las distribuciones de distancias entre pares de residuos, en lugar de adoptar el enfoque tradicional que intentaba aproximar directamente las coordenadas espaciales XYZ para cada átomo de la estructura proteica. Esta metodología permitió a AlphaFold 1 superar holgadamente a sus competidores al lograr modelos de alta precisión en 24 de 43 dominios de modelado libre en CASP13.
La arquitectura híbrida de AlphaFold 1 permitía discernir con claridad sus componentes pedagógicos: un sistema que inicialmente construía representaciones a partir de las secuencias proteicas, seguido por una red neuronal que estimaba restricciones estructurales y culminaba con un proceso de optimización que transformaba estas restricciones en estructuras tridimensionales.
De cara al futuro, tras el lanzamiento exitoso y transformador de AlphaFold 2 en 2020—una versión que reemplazó gran parte del pipeline inicial por una arquitectura neuronal más integrada y eficaz—la primera versión de AlphaFold aún se destaca como un ejemplo didáctico de cómo combinar distintas disciplinas para abordar un problema científico complejo. A través de la búsqueda de secuencias de proteínas relacionadas evolutivamente, el sistema fue capaz de convertir el MSA (alineamiento múltiple de secuencias) en un recurso invaluable para el aprendizaje de correlaciones evolutivas dentro de las secuencias proteicas.
AlphaFold 1 también desafió las suposiciones comunes respecto a las predicciones estructurales, mostrando que ofrecer una distribución probabilística de distancias, en lugar de contactos binarios, resultaba mucho más eficaz para informar sobre las restricciones tridimensionales. Esto aportó una singularidad matemática al proceso de optimización, utilizando algoritmos como L-BFGS para refinar aún más las estructuras predecidas.
Al final, la inteligencia artificial en el ámbito científico demostró que no es necesario reemplazar cada método anterior con tecnología disruptiva. Al contrario, AlphaFold 1 ilustró cómo el aprendizaje profundo puede potenciar las regularidades descubiertas por la evolución, transformando siglos de conocimientos bioinformáticos en restricciones matemáticas eficaces y aprovechables, marcando así el camino de lo que vendría a ser el futuro de la biología computacional.
Con el tiempo, DeepMind y sus equipos asociados transformaron el campo al liberar el código y modelos de AlphaFold, facilitando una base de datos de estructuras de proteínas que creció hasta superar los 200 millones de predicciones para 2022. Este monumental esfuerzo contribuyó a que Demis Hassabis y John Jumper fueran galardonados con el Premio Nobel de Química en 2024, asociando para siempre el nombre de AlphaFold con uno de los avances científicos más relevantes de nuestro tiempo.
