Las predicciones de unión proteína-ligando de AlphaFold 3 son ahora lo suficientemente precisas como para reemplazar el cribado farmacológico en etapas tempranas

El benchmark que cambió la conversación

En abril de 2026, un consorcio de tres grupos independientes de investigación farmacéutica publicó una evaluación conjunta de las predicciones de unión proteína-ligando de AlphaFold 3 frente a sus bibliotecas internas de compuestos. Los resultados, publicados en Nature Chemical Biology, mostraron que las afinidades de unión predichas por AF3 se correlacionaban con los valores experimentales de IC50 con un coeficiente de Pearson de 0.81 en 1,847 compuestos evaluados —un avance respecto al 0.64 del artículo original de AF3 en 2024 y muy por encima del 0.51 promedio logrado por las herramientas de acoplamiento molecular de generaciones anteriores, como Glide y AutoDock Vina—.

Ese número es relevante porque, desde hace tiempo, los químicos computacionales han considerado de manera informal el 0.80 como el umbral a partir del cual una herramienta predictiva resulta verdaderamente útil para tomar decisiones de triaje: el punto en el que se puede descartar una parte significativa del trabajo experimental sin aumentar de forma relevante la tasa de falsos negativos. AlphaFold 3 acaba de superarlo a gran escala.

Qué hace realmente diferente a AlphaFold 3

AlphaFold 2 se centraba casi exclusivamente en predecir la estructura de las proteínas a partir de su secuencia. AF3 incorporó interacciones covalentes y no covalentes con moléculas pequeñas, ácidos nucleicos, modificaciones postraduccionales e iones metálicos en un modelo de difusión unificado. Su arquitectura —un modelo de difusión condicionado por una representación de "pares de tokens" del sistema molecular completo— le permite analizar los sitios de unión no solo de forma estática, sino también en términos de dinámicas de ajuste inducido.

El avance clave para el descubrimiento de fármacos es que AF3 no solo indica dónde se une un ligando, sino que predice la energía libre de unión con suficiente resolución como para clasificar compuestos dentro de una misma serie. Ordenar compuestos dentro de una serie química —saber que el compuesto A es probablemente 10 veces más potente que el compuesto B antes de sintetizar ninguno— era una tarea que consumía décadas de trabajo en equipos de química medicinal. El cribado de alto rendimiento podía identificar hits, pero la optimización de candidatos requería cientos de ciclos de síntesis y prueba. AF3 comprime muchos de esos ciclos en tiempo de computación.

Tres formas en que la industria farmacéutica está aplicando esto hoy

1. Cribado virtual de bibliotecas con miles de millones de compuestos

Novartis informó en febrero de 2026 que había evaluado 1.200 millones de compuestos virtuales frente a una diana KRAS G12C mutante en 11 días, utilizando predicciones de AF3 en un clúster de 512 GPUs H200. El mismo cribado con métodos tradicionales de acoplamiento habría tardado seis meses y requerido la síntesis física y prueba de al menos 500.000 compuestos para obtener tasas de éxito comparables. Identificaron 23 nuevos esqueletos moleculares, cuatro de los cuales avanzaron a ensayos confirmatorios en 60 días.

2. Perfilado de selectividad en familias de proteínas

Uno de los problemas más costosos en el descubrimiento temprano de fármacos es la selectividad fuera del objetivo: un compuesto que actúa sobre la diana deseada pero también inhibe una quinasa o un GPCR relacionado a concentraciones similares. La división de oncología de Roche ahora somete cada compuesto líder a predicciones de AF3 frente a un panel de 847 proteínas humanas antes de cualquier síntesis. En un piloto con 200 compuestos históricos, este enfoque habría detectado el 68% de los problemas de selectividad que solo surgieron en etapas avanzadas de toxicología.

3. Identificación de bolsillos crípticos

Algunas de las dianas farmacológicas más validadas clínicamente —como varios factores de transcripción y interfaces de interacción proteína-proteína— se consideraban históricamente "no druggable" porque no presentaban bolsillos de unión evidentes en las estructuras cristalográficas. La capacidad de AF3 para modelar ensambles conformacionales ha revelado bolsillos transitorios en varias de estas dianas. Un equipo del Broad Institute publicó en marzo de 2026 resultados que demostraban que AF3 predijo correctamente un bolsillo alostérico críptico en la interfaz MYC-MAX, una diana implicada en múltiples cánceres que ha resistido la intervención con moléculas pequeñas durante 30 años.

Lo que no reemplaza

AF3 no sustituye al laboratorio húmedo. Las afinidades de unión predichas aún requieren confirmación experimental antes de avanzar con los compuestos. El modelo tiene limitaciones conocidas: su rendimiento es bajo en proteínas muy flexibles, en dianas con efectos de ajuste inducido no capturados en los datos de entrenamiento y en el diseño de inhibidores covalentes. Las proteínas de membrana —una clase farmacológicamente importante y numerosa— siguen siendo difíciles de manejar con precisión.

Las propiedades ADMET (absorción, distribución, metabolismo, excreción y toxicidad) quedan completamente fuera del alcance de AF3. Un compuesto puede ser un ligando perfecto y, aun así, fracasar clínicamente por una farmacocinética deficiente o toxicidad hepática. Predecir estas propiedades requiere modelos independientes, y el campo aún no ha alcanzado el mismo nivel de precisión en este ámbito.

El impacto económico en los plazos del descubrimiento de fármacos

El proceso tradicional de descubrimiento de fármacos de moléculas pequeñas, desde la identificación de la diana hasta la presentación de un IND, dura entre 4 y 6 años y cuesta entre 300 y 500 millones de dólares. La fase más larga —la identificación de hits y la optimización de candidatos— representa entre 18 y 30 meses de ese plazo. Según un informe de McKinsey en mayo de 2026, la adopción generalizada de AF3 podría reducir esta fase a 8-14 meses para dianas adecuadas, disminuyendo los costos preclínicos entre un 35% y un 45%.

No se trata de una mejora marginal en la eficiencia. Es la diferencia entre que una biotecnológica con una ronda Serie B de 150 millones de dólares tenga dos oportunidades de desarrollar un fármaco en lugar de una. En programas para enfermedades raras, donde las poblaciones de pacientes son pequeñas y los retornos comerciales limitados, la economía del desarrollo de fármacos cambia lo suficiente como para hacer viables proyectos que antes no lo eran.

Conclusiones prácticas

• Si trabajas en el sector farmacéutico o biotecnológico: La API de AF3 (disponible a través de Google Cloud Life Sciences) está lista para producción en cribado virtual de dianas proteicas solubles y globulares. Integra esta herramienta antes de tu próxima campaña de HTS, no después.
• Si evalúas plataformas de química computacional: Compara AF3 con tus datos retrospectivos internos antes de adquirir licencias de software de acoplamiento molecular. La brecha de precisión se ha ampliado significativamente en los últimos 18 meses.
• Si sigues inversiones en biotecnología: Las empresas cuya cartera depende en gran medida de dianas con estructuras cristalográficas conocidas y bolsillos de unión bien definidos enfrentan ahora ventanas de diferenciación más cortas: su ventaja computacional se ha reducido en comparación con hace dos años.
• Presta atención a: El próximo punto de inflexión será la predicción de propiedades ADMET. Varios grupos están entrenando modelos multimodales que combinan predicciones estructurales al estilo de AF3 con datos farmacocinéticos. Si este problema se resuelve con niveles similares de precisión, el plazo de 4 a 6 años para el descubrimiento de fármacos podría sufrir una compresión estructural.