Los cambios conformacionales en las proteínas son fundamentales para su función biológica, pero representar esos cambios ha sido un gran desafío para las técnicas de inteligencia artificial más avanzadas, incluyendo AlphaFold3, el modelo de predicción estructural desarrollado por DeepMind. Ahora, un equipo de investigadores del Instituto de Ciencias Moleculares (IMS) y de la Universidad de Posgrado para Estudios Avanzados, SOKENDAI, ha logrado introducir una innovación crucial que amplía la capacidad de AlphaFold3 para predecir las distintas formas que puede adoptar una proteína.
Hasta ahora, AlphaFold3, a pesar de su notable precisión para predecir la estructura 3D estática de proteínas, no conseguía capturar adecuadamente la versatilidad dinámica que presentan muchas proteínas al cambiar su conformación para cumplir sus funciones fisiológicas. Este hecho limitaba la comprensión detallada de procesos biológicos cuya clave reside en esos movimientos y transformaciones estructurales.
El avance logrado por los científicos japoneses consiste en la implementación de una fuerza repulsiva entre las estructuras predichas. Este mecanismo posibilita que AlphaFold3 explore y muestree una variedad mucho mayor de estados conformacionales, muchos de los cuales permanecían ocultos en las configuraciones estándar del algoritmo. Gracias a esta modificación, la herramienta es capaz de identificar configuraciones alternas relevantes que son indispensables para entender cómo funcionan realmente las proteínas en diferentes contextos celulares. 
La estrategia innovadora implica introducir, a nivel computacional, una interacción que evita que las predicciones se mantengan fijas en una única conformación dominante. De este modo, AlphaFold3 puede abordar la complejidad propia de la plasticidad proteica y simular movimientos y transiciones conformacionales esenciales para procesos bioquímicos y fisiológicos. Este progreso abre una nueva vía para mejorar el modelado molecular y el diseño racional de fármacos, al ofrecer un mapa más realista y dinámico del comportamiento proteico.
Los investigadores esperan que esta metodología sirva para ampliar el alcance de la inteligencia artificial en la biología estructural, facilitando estudios más completos sobre las proteínas y su relación con enfermedades, así como impulsando avances en medicina personalizada y biotecnología. Este desarrollo también confirma la importancia de combinar enfoques teóricos y experimentales para superar las limitaciones actuales y seguir profundizando en el conocimiento molecular.
