AlphaFold2 en CASP14: el plegamiento de proteínas encuentra el aprendizaje profundo (2020)

En la reunión CASP14 de noviembre de 2020, AlphaFold2 de DeepMind alcanzó una precisión comparable a métodos lentos de laboratorio, abriendo el camino a la base AlphaFold y al Nobel posterior.

Fecha del evento: Publicado:
HistoriaInvestigación

El 30 de noviembre de 2020, los organizadores de CASP14 — la prueba ciega comunitaria de predicción de estructura proteica (CASP) — anunciaron resultados que dejaron perplejos a los biólogos estructurales. El sistema AlphaFold2 de DeepMind, liderado por John Jumper bajo Demis Hassabis, puntuó en o cerca de calidad de laboratorio en muchos objetivos. Un problema que resistía avances desde los años setenta pareció de repente abordable.

Qué mide CASP

Las proteínas se pliegan en formas tridimensionales que determinan en gran medida su función. Dada solo una secuencia de aminoácidos, hay que predecir esa forma. Cada dos años CASP publica secuencias no publicadas; los grupos envían modelos; evaluadores independientes comparan con estructuras experimentales mantenidas en secreto hasta la puntuación.

AlphaFold ya había competido antes, pero la versión dos combinó aprendizaje profundo, información evolutiva de secuencias y restricciones geométricas de forma que cerró gran parte de la brecha restante. Las puntuaciones medianas en objetivos difíciles pasaron de «pista útil» a «confiable para muchas preguntas biológicas», incluso antes de los artículos revisados por pares y el código público de 2021.

Del reto a la infraestructura

DeepMind enmarcó el resultado como un gran desafío resuelto, no como una victoria puntual. En meses publicó estructuras predichas para amplios segmentos del proteoma conocido y convirtió AlphaFold de prototipo de investigación en infraestructura compartida. Laboratorios que antes esperaban meses de cristalografía podían empezar desde un modelo de alta calidad de la noche a la mañana.

La misma línea sustentó después el Premio Nobel de Química 2024 compartido por Hassabis, Jumper y David Baker. CASP14 fue el momento público en que la razón posterior del comité se volvió plausible: la IA había pasado de «benchmark interesante» a «punto de partida habitual» en biología molecular.

Por qué importa

AlphaFold2 en CASP14 demostró que el aprendizaje profundo puede entregar instrumentos científicos, no solo mejores clasificadores o interfaces de chat. También aclaró la división del trabajo: acoplamientos evolutivos aportan restricciones globales, redes neuronales refinan geometría local y bases abiertas multiplican el impacto.

En la historia de la IA, el episodio se sitúa junto a AlphaGo como prueba de que la misma caja de herramientas de DeepMind — modelos grandes, mucho cómputo, evaluación cuidadosa — puede reescribir un campo entero. El plegamiento de proteínas fue el caso más claro hasta entonces de que un benchmark, superado de forma decisiva, cambia cómo trabajan otras ciencias.

#aprendizaje-profundo#red-neuronal