Cómo los ordenadores inteligentes están cambiando la forma de hacer ciencia

Las proteínas son las máquinas invisibles de la vida. Están en todas partes: en los músculos que nos permiten movernos, en las enzimas que digieren la comida, en las defensas que nos protegen de las infecciones o la propia hemoglobina que transporta oxígeno en la sangre. Pero lo más fascinante es que una proteína no funciona solo por su composición, sino por su forma. Su estructura tridimensional determina si encaja con otras moléculas, si lleva a cabo una reacción o si puede hacer su trabajo correctamente.

Para entenderlo mejor, pensemos en las proteínas como en herramientas de un taller. Un destornillador y una llave inglesa pueden estar hechos del mismo material, el metal —igual que todas las proteínas están hechas de aminoácidos—, pero lo que realmente importa es su forma: solo un destornillador sirve para girar un tornillo y solo una llave inglesa encaja en una tuerca. Con las proteínas ocurre lo mismo: su cadena de aminoácidos es la materia prima, pero su plegamiento en tres dimensiones es lo que les da la función.

Aquí aparece el gran reto de la ciencia: durante décadas, descifrar esa forma fue una tarea lenta, laboriosa y casi titánica. Este trabajo era imprescindible para comprender cómo funcionaban las moléculas de la vida, pero resultaba desesperantemente lento. Con técnicas como la cristalografía de rayos X o la resonancia magnética nuclear, resolver la estructura de una sola proteína podía tardar entre 4 y 5 años de esfuerzo constante en el laboratorio. Era como intentar averiguar la forma exacta de una llave probando mil combinaciones sin tener el molde original, o como intentar montar un puzle con miles de piezas sin disponer de la imagen de referencia.

Todo cambió en 2020 con la llegada de AlphaFold2, un programa de inteligencia artificial creado por DeepMind que consiguió predecir la forma de las proteínas con una precisión similar a los métodos experimentales… pero en cuestión de minutos. Lo que antes llevaba años, ahora puede resolverse casi en tiempo real. Este avance fue tan trascendental que en 2024, sus creadores Demis Hassabis y John Jumper recibieron el Premio Nobel de Química, compartido con David Baker, pionero en el diseño computacional de proteínas.

Pero la historia no terminó ahí. La inteligencia artificial ya no solo sirve para “adivinar” la forma de las proteínas, sino que ahora también puede diseñarlas desde cero para que sean más eficientes que las que encontramos en nuestro organismo o en la naturaleza. Un ejemplo reciente es SAGE-Prot (2025), un sistema de IA capaz de crear enzimas con actividades hasta 17 veces superiores a sus equivalentes originales, y cuyos resultados han sido validados experimentalmente en laboratorio. En otras palabras, estamos entrando en una etapa en la que la biología y la computación trabajan juntas para inventar nuevas moléculas que podrían convertirse en medicamentos, herramientas biotecnológicas o incluso soluciones para problemas ambientales.

Y aún hay más. La IA no solo está cambiando el “qué” descubrimos, sino también el “cómo” lo descubrimos. Normalmente, los científicos prueban miles de variantes en el laboratorio hasta dar con la combinación correcta, un proceso muy caro,  muy lento y laborioso. Para que os hagáis una idea, de cada 10.000 moléculas iniciales con potencial para convertirse en medicamentos, solo 1 llega finalmente a ser aprobada como fármaco. Y ese recorrido no es nada rápido: el proceso completo, desde el descubrimiento en el laboratorio hasta la farmacia, suele durar una media de unos 15 años. Aquí entra en escena otra herramienta: la optimización bayesiana. Este enfoque matemático permite que un ordenador “aprenda” de cada experimento y prediga cuáles son los siguientes más prometedores. Es como si, en lugar de probar todas las llaves de un llavero inmenso, la máquina fuese capaz de decirte cuáles son las tres más probables de abrir la cerradura. Con ello, se reduce el número de pruebas necesarias y se acelera la investigación.

La combinación de estas tecnologías —IA para predecir y diseñar proteínas, junto con algoritmos inteligentes que optimizan los experimentos— está transformando la ciencia en un proceso más rápido, preciso y eficiente. Esto significa que los recursos se pueden destinar mejor, que se pueden encontrar soluciones en menos tiempo y que los avances médicos y biotecnológicos llegarán antes a la sociedad.

En definitiva, lo que antes parecía futurista —máquinas capaces de inventar medicinas o de diseñar moléculas a medida— ya es una realidad. Y lo más emocionante es que esto es solo el principio: la inteligencia artificial se está convirtiendo en un aliado indispensable para la ciencia, abriendo una nueva era en la que descubrir será mucho más rápido que nunca.

Referencias

Jumper J., Hassabis D., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. PMID: 34265844

  Lim H., Lee G-H., No K.T., et al. (2025). Scoring-Assisted Generative Exploration for Proteins (SAGE-Prot): A Framework for Multi-Objective Protein Optimization via Iterative Sequence Generation and Evaluation. arXiv preprint.  https://arxiv.org/abs/2505.01277  

Siska M., Pajak E., Rosenthal K., del Rio Chanona A., von Lieres E., Helleckes L. M., et al. (2025). A Guide to Bayesian Optimization in Bioprocess Engineering.  https://arxiv.org/abs/2508.10642