Hispanopedia Wiki
Articulo de referencia

AlphaFold

Estructura predicha por AlphaFold para la ARN polimerasa T1044 en cada capa de la red [ 1 ] AlphaFold es un programa de inteligencia artificial (IA) desarrollado por DeepMind , ...

Hispanopedia WikiContenido en espanolLectura gratuita
Estructura predicha por AlphaFold para la ARN polimerasa T1044 en cada capa de la red [ 1 ]

AlphaFold es un programa de inteligencia artificial (IA) desarrollado por DeepMind , una subsidiaria de Alphabet , que realiza predicciones de la estructura de proteínas . [ 2 ] Está diseñado utilizando técnicas de aprendizaje profundo . [ 3 ]

AlphaFold 1 (2018) ocupó el primer lugar en la clasificación general de la 13.ª Evaluación Crítica de Predicción de Estructuras (CASP, por sus siglas en inglés) en diciembre de 2018. Tuvo un éxito particular al predecir las estructuras más precisas para los objetivos considerados más difíciles por los organizadores de la competición, donde no se disponía de estructuras plantilla existentes de proteínas con secuencias parcialmente similares.

AlphaFold 2 (2020) repitió esta posición en la competición CASP14 en noviembre de 2020. [ 4 ] Logró un nivel de precisión mucho mayor que cualquier otra entrada. [ 3 ] [ 5 ] Obtuvo una puntuación superior a 90 en la prueba de distancia global (GDT) de CASP para aproximadamente dos tercios de las proteínas, una prueba que mide la similitud entre una estructura predicha computacionalmente y la estructura determinada experimentalmente, donde 100 representa una coincidencia completa. [ 3 ] [ 6 ] La inclusión de datos metagenómicos ha mejorado la calidad de la predicción de alineamientos de secuencias múltiples . Una de las mayores fuentes de datos de entrenamiento fue la base de datos personalizada Big Fantastic Database de 65.983.866 familias de proteínas, representadas como alineamientos de secuencias múltiples y modelos ocultos de Markov , que cubren 2.204.359.010 secuencias de proteínas de bases de datos de referencia, metagenomas y metatranscriptomas. [ 7 ]

Los resultados de AlphaFold 2 en CASP14 fueron descritos como "asombrosos" [ 8 ] y "transformadores" [ 9 ] . Sin embargo, algunos investigadores señalaron que la precisión era insuficiente para un tercio de sus predicciones y que no revelaba el mecanismo subyacente ni las reglas del plegamiento de proteínas para el problema del plegamiento de proteínas , que sigue sin resolverse [ 10 ] [ 11 ] .

A pesar de esto, el logro técnico fue ampliamente reconocido. El 15 de julio de 2021, el artículo sobre AlphaFold 2 se publicó en Nature como publicación de acceso anticipado junto con software de código abierto y una base de datos de proteomas de especies con capacidad de búsqueda . [ 7 ] [ 12 ] [ 13 ] En noviembre de 2025, el artículo había sido citado casi 43 000 veces. [ 14 ]

AlphaFold 3 se anunció el 8 de mayo de 2024. Puede predecir la estructura de complejos creados por proteínas con ADN , ARN , diversos ligandos e iones . [ 15 ] [ 16 ] El nuevo método de predicción muestra una mejora mínima del 50 % en la precisión para las interacciones de proteínas con otras moléculas en comparación con los métodos existentes. [ 17 ]

Demis Hassabis y John Jumper compartieron la mitad del Premio Nobel de Química de 2024 , otorgado "por la predicción de la estructura de las proteínas", mientras que la otra mitad fue para David Baker "por el diseño computacional de proteínas". [ 18 ] Hassabis y Jumper habían ganado previamente el Premio Breakthrough en Ciencias de la Vida y el Premio Albert Lasker de Investigación Médica Básica en 2023 por su liderazgo en el proyecto AlphaFold. [ 19 ] [ 20 ]

Fondo

tres cadenas polipeptídicas individuales en diferentes niveles de plegamiento y un grupo de cadenas
Las cadenas de aminoácidos, conocidas como polipéptidos , se pliegan para formar una proteína.

Las proteínas están formadas por cadenas de aminoácidos que se pliegan espontáneamente para formar las estructuras tridimensionales (3D) de las proteínas. La estructura 3D es fundamental para comprender la función biológica de la proteína.

Las estructuras de las proteínas pueden determinarse experimentalmente mediante técnicas como la cristalografía de rayos X , la criomicroscopía electrónica y la resonancia magnética nuclear (RMN), todas ellas costosas y que requieren mucho tiempo. [ 21 ] Estos esfuerzos, utilizando métodos experimentales, han permitido identificar las estructuras de aproximadamente 170 000 proteínas en los últimos 60 años, mientras que existen más de 200 millones de proteínas conocidas en todas las formas de vida. [ 6 ]

A lo largo de los años, los investigadores han aplicado numerosos métodos computacionales para predecir las estructuras 3D de las proteínas a partir de sus secuencias de aminoácidos. La precisión de estos métodos, en el mejor de los casos, se acerca a la de las técnicas experimentales (RMN) mediante el uso de modelos de homología basados ​​en la evolución molecular. CASP , lanzado en 1994 para desafiar a la comunidad científica a producir sus mejores predicciones de estructura de proteínas, descubrió que para 2016 solo se podían alcanzar puntuaciones GDT de alrededor de 40 sobre 100 para las proteínas más difíciles. [ 6 ] AlphaFold comenzó a competir en el CASP de 2018 utilizando una técnica de aprendizaje profundo de inteligencia artificial (IA) . [ 21 ]

Algoritmo

Se sabe que DeepMind entrenó el programa con más de 170 000 estructuras de proteínas del Protein Data Bank , un repositorio público de secuencias y estructuras de proteínas. El programa utiliza una forma de red de atención , una técnica de aprendizaje profundo que se centra en que la IA identifique partes de un problema mayor y luego las combine para obtener la solución general. [ 3 ] El entrenamiento general se realizó con una potencia de procesamiento de entre 100 y 200 GPU . [ 3 ]

AlphaFold 1 (2018)

AlphaFold 1 (2018) se basó en el trabajo desarrollado por varios equipos en la década de 2010, un trabajo que analizó las grandes bases de datos de secuencias de proteínas relacionadas ahora disponibles de muchos organismos diferentes (la mayoría sin estructuras 3D conocidas), para intentar encontrar cambios en diferentes residuos (péptidos) que parecían estar correlacionados, aunque los residuos no fueran consecutivos en la cadena principal. Dichas correlaciones sugieren que los residuos pueden estar cerca físicamente entre sí, aunque no estén cerca en la secuencia, lo que permite estimar un mapa de contacto . Basándose en trabajos recientes anteriores a 2018, AlphaFold 1 amplió esto al estimar una distribución de probabilidad para las distancias entre residuos, transformando efectivamente el mapa de contacto en un mapa de distancia. También utilizó métodos de aprendizaje más avanzados que los anteriores para desarrollar la inferencia. [ 22 ] [ 23 ] El código no se hizo público, excepto para ejecutarse en secuencias de proteínas en la competición CASP 2018.

AlphaFold 2 (2020)

Rendimiento, experimentos y arquitectura de AlphaFold 2 [ 24 ]
Detalles arquitectónicos de AlphaFold 2 [ 24 ]

La versión 2020 del programa ( AlphaFold 2 , 2020) es significativamente diferente de la versión original que ganó CASP 13 en 2018, según el equipo de DeepMind. [ 25 ] [ 26 ]

AlphaFold 1 utilizó varios módulos entrenados por separado para producir un potencial guía, que luego se combinó con un potencial de energía basado en la física. AlphaFold 2 reemplazó esto con un sistema de subredes interconectadas, formando un modelo único, diferenciable y de extremo a extremo basado en el reconocimiento de patrones. Este modelo se entrenó de manera integrada. [ 26 ] [ 27 ] Después de que la predicción de la red neuronal converge, un paso de refinamiento final aplica restricciones físicas locales utilizando la minimización de energía basada en el campo de fuerza AMBER . Este paso solo ajusta ligeramente la estructura predicha. [ 28 ]

Una parte clave del sistema 2020 son dos módulos, que se cree que se basan en un diseño de transformador , que se utilizan para refinar progresivamente un vector de información para cada relación (o " arista " en la terminología de la teoría de grafos) entre un residuo de aminoácido de la proteína y otro residuo de aminoácido (estas relaciones están representadas por la matriz que se muestra en verde); y entre cada posición de aminoácido y cada secuencia diferente en la alineación de secuencia de entrada (estas relaciones están representadas por la matriz que se muestra en rojo). [ 27 ] Internamente, estas transformaciones de refinamiento contienen capas que tienen el efecto de reunir datos relevantes y filtrar datos irrelevantes (el "mecanismo de atención") para estas relaciones, de una manera dependiente del contexto, aprendida a partir de datos de entrenamiento. Estas transformaciones se iteran, la salida de información actualizada de un paso se convierte en la entrada del siguiente, con la información residuo/residuo refinada alimentando la actualización de la información residuo/secuencia, y luego la información residuo/secuencia mejorada alimentando la actualización de la información residuo/residuo. [ 27 ] Según un informe, a medida que avanza la iteración, el "algoritmo de atención... imita la forma en que una persona podría armar un rompecabezas: primero conectando piezas en pequeños grupos —en este caso, grupos de aminoácidos— y luego buscando formas de unir los grupos en un todo más grande". [ 6 ]

El resultado de estas iteraciones informa al módulo de predicción de estructura final, [ 27 ] que también utiliza transformadores, [ 29 ] y que a su vez es iterado. En un ejemplo presentado por DeepMind, el módulo de predicción de estructura logró una topología correcta para la proteína objetivo en su primera iteración, con una puntuación de GDT_TS de 78, pero con un gran número (90%) de violaciones estereoquímicas, es decir, ángulos o longitudes de enlace no físicos. Con las iteraciones posteriores, el número de violaciones estereoquímicas disminuyó. En la tercera iteración, el GDT_TS de la predicción se acercaba a 90, y en la octava iteración, el número de violaciones estereoquímicas se acercaba a cero. [ 30 ]

Los datos de entrenamiento se limitaban originalmente a cadenas peptídicas individuales. Sin embargo, la actualización de octubre de 2021, denominada AlphaFold-Multimer, incluyó complejos proteicos en sus datos de entrenamiento. DeepMind afirmó que esta actualización predijo con precisión las interacciones proteína-proteína en aproximadamente el 70 % de los casos. [ 31 ]

AlphaFold 3 (2024)

Anunciado el 8 de mayo de 2024, AlphaFold 3 fue desarrollado conjuntamente por Google DeepMind e Isomorphic Labs , ambas subsidiarias de Alphabet . AlphaFold 3 no se limita a las proteínas, ya que también puede predecir las estructuras de complejos proteicos con ADN , ARN , modificaciones postraduccionales y ligandos e iones seleccionados . [ 32 ] [ 15 ]

AlphaFold 3 introduce el "Pairformer", una arquitectura de aprendizaje profundo inspirada en el transformador, que se considera similar, pero más simple que, el Evoformer utilizado en AlphaFold 2. [ 16 ] Las predicciones iniciales del módulo Pairformer se refinan mediante un modelo de difusión . Este modelo comienza con una nube de átomos y refina iterativamente sus posiciones, guiado por la salida del Pairformer, para generar una representación 3D de la estructura molecular. [ 15 ]

El servidor AlphaFold se creó para proporcionar acceso gratuito a AlphaFold 3 para investigación no comercial. [ 33 ] A noviembre de 2025, el artículo de investigación de AlphaFold 3 había sido citado directamente más de 9000 veces. [ 34 ]

competiciones

Resultados obtenidos para la predicción de proteínas por las mejores reconstrucciones en la competición CASP 2018 (círculos pequeños) y la competición CASP 2020 (círculos grandes), comparados con los resultados obtenidos en años anteriores. La línea de tendencia carmesí muestra cómo un puñado de modelos, incluido AlphaFold 1, lograron un cambio significativo en 2018 con respecto al ritmo de progreso alcanzado anteriormente, particularmente en lo que respecta a las secuencias de proteínas consideradas las más difíciles de predecir. (Se había realizado una mejora cualitativa en años anteriores, pero es solo cuando los cambios acercan las estructuras a 8 Å de sus posiciones experimentales que comienzan a afectar la medida CASP GDS-TS). La línea de tendencia naranja muestra que para 2020 los servidores de predicción en línea habían podido aprender de este rendimiento y alcanzarlo, mientras que los mejores otros grupos (curva verde) habían podido, en promedio, realizar algunas mejoras. Sin embargo, la curva de tendencia negra muestra hasta qué punto AlphaFold 2 lo había superado nuevamente en 2020, en todos los aspectos. La distribución detallada de los datos indica el grado de consistencia o variación alcanzado por AlphaFold. Los valores atípicos representan las pocas secuencias para las que no realizó una predicción tan acertada.

CASP13

En diciembre de 2018, AlphaFold de DeepMind ocupó el primer lugar en la clasificación general de la 13.ª Evaluación Crítica de Técnicas para la Predicción de la Estructura de Proteínas (CASP). [ 35 ] [ 36 ]

El programa predijo con especial éxito la estructura más precisa para los objetivos considerados más difíciles por los organizadores de la competición, donde no se disponía de estructuras plantilla existentes de proteínas con una secuencia parcialmente similar. AlphaFold ofreció la mejor predicción para 25 de los 43 objetivos proteicos de esta clase, [ 36 ] [ 37 ] [ 38 ] alcanzando una puntuación media de 58,9 en la prueba de distancia global (GDT) de CASP, por delante de 52,5 y 52,4 de los dos siguientes equipos mejor clasificados, [ 39 ] que también utilizaban aprendizaje profundo para estimar las distancias de contacto. [ 40 ] [ 41 ] En general, en todos los objetivos, AlphaFold 1 alcanzó una puntuación GDT de 68,5. [ 42 ]

En enero de 2020, se publicaron en GitHub implementaciones y código ilustrativo de AlphaFold 1 como código abierto . [ 43 ] [ 21 ] Sin embargo, como se indica en el archivo "Léame" de dicho sitio web: "Este código no puede utilizarse para predecir la estructura de una secuencia de proteína arbitraria. Solo puede utilizarse para predecir la estructura en el conjunto de datos CASP13 (enlaces a continuación). El código de generación de características está estrechamente vinculado a nuestra infraestructura interna, así como a herramientas externas, por lo que no podemos publicarlo como código abierto". Por lo tanto, en esencia, el código depositado no es adecuado para uso general, sino únicamente para las proteínas CASP13. La empresa no ha anunciado planes para hacer público su código hasta el 5 de marzo de 2021.

CASP14

En noviembre de 2020, la nueva versión de DeepMind, AlphaFold 2, ganó CASP14. [ 44 ] [ 45 ] En general, AlphaFold 2 realizó la mejor predicción para 88 de los 97 objetivos. [ 8 ]

En la medida de precisión preferida de la competencia , la prueba de distancia global (GDT), el programa logró una puntuación media de 92,4 (sobre 100), lo que significa que más de la mitad de sus predicciones fueron puntuadas en mejor de 92,4% por tener sus átomos en más o menos el lugar correcto, [ 46 ] [ 47 ] un nivel de precisión que se reporta como comparable a técnicas experimentales como la cristalografía de rayos X. [ 25 ] [ 9 ] [ 42 ] En 2018 , AlphaFold 1 solo había alcanzado este nivel de precisión en dos de todas sus predicciones. [ 8 ] El 88% de las predicciones en la competencia de 2020 tuvieron una puntuación GDT_TS de más de 80. En el grupo de objetivos clasificados como los más difíciles, AlphaFold 2 logró una puntuación media de 87.

Medido por la desviación cuadrática media (RMS-D) de la ubicación de los átomos de carbono alfa de la cadena principal de la proteína, que tiende a estar dominada por el rendimiento de los valores atípicos peor ajustados, el 88% de las predicciones de AlphaFold 2 tuvieron una desviación RMS de menos de 4 Å para el conjunto de átomos C-alfa superpuestos. [ 8 ] El 76% de las predicciones lograron mejor que 3 Å, y el 46% tuvo una precisión RMS del átomo C-alfa mejor que 2 Å, [ 8 ] con una desviación RMS mediana en sus predicciones de 2,1 Å para un conjunto de átomos CA superpuestos. [ 8 ] AlphaFold 2 también logró una precisión en el modelado de cadenas laterales de superficie descrita como "realmente realmente extraordinaria".

Para validar aún más AlphaFold 2, los organizadores de la conferencia contactaron a cuatro grupos experimentales líderes que trabajaban en estructuras que les resultaban particularmente difíciles y que no habían podido determinar. En los cuatro casos, los modelos tridimensionales producidos por AlphaFold 2 fueron suficientemente precisos como para determinar las estructuras de estas proteínas mediante reemplazo molecular . Entre ellas se encontraba la proteína diana T1100 (Af1503), una pequeña proteína de membrana estudiada por investigadores experimentales durante diez años. [ 6 ]

De las tres estructuras que AlphaFold 2 predijo con menor éxito, una era un complejo multidominio inusual compuesto por 52 copias idénticas del mismo dominio . Para todos los objetivos con un solo dominio, excluyendo solo una proteína muy grande y las dos estructuras determinadas por RMN, AlphaFold 2 obtuvo una puntuación GDT_TS superior a 80.

CASP15

En 2022, DeepMind no participó en CASP15, pero la mayoría de los participantes utilizaron AlphaFold o herramientas que incorporaban AlphaFold. [ 48 ]

Recepción

Que AlphaFold 2 obtenga una puntuación superior a 90 en la prueba de distancia global (GDT) de CASP es un gran logro en biología computacional . [ 6 ] [ 9 ] El premio Nobel y biólogo estructural Venki Ramakrishnan calificó el resultado como "un avance asombroso en el problema del plegamiento de proteínas", [ 6 ] añadiendo que "Ha ocurrido décadas antes de lo que muchos en el campo hubieran predicho. Será emocionante ver las muchas maneras en que cambiará fundamentalmente la investigación biológica". [ 44 ]

El éxito de AlphaFold 2 recibió amplia atención mediática. [ 49 ] [ 44 ] [ 50 ] Aparecieron artículos en la prensa científica, como Nature , [ 9 ] Science , [ 6 ] MIT Technology Review , [ 3 ] y New Scientist , [ 51 ] [ 52 ] y la historia fue cubierta por periódicos nacionales. [ 53 ] [ 54 ] [ 55 ] [ 56 ] Un tema frecuente fue la capacidad de predecir estructuras de proteínas basándose en la secuencia de aminoácidos constituyentes, lo que se esperaba que tuviera beneficios en las ciencias de la vida: acelerar el descubrimiento de fármacos y permitir una mejor comprensión de las enfermedades. [ 9 ] [ 57 ] Algunos han señalado que incluso una respuesta perfecta al problema de la predicción de proteínas todavía deja preguntas sobre el problema del plegamiento de proteínas (y por lo tanto la dinámica de las proteínas ): comprender en detalle cómo ocurre realmente el proceso de plegamiento en la naturaleza (y cómo a veces también pueden plegarse incorrectamente ). [ 58 ]

David Baker, Demis Hassabis y John Jumper en la Conferencia del Premio Nobel de 2024.

En 2023, Demis Hassabis y John Jumper ganaron el Premio Breakthrough en Ciencias de la Vida [ 20 ] , así como el Premio Albert Lasker de Investigación Médica Básica por su gestión del proyecto AlphaFold. [ 59 ] Hassabis y Jumper ganaron posteriormente el Premio Nobel de Química en 2024 por su trabajo sobre la "predicción de la estructura de proteínas" con David Baker de la Universidad de Washington. [ 19 ] [ 60 ]

Código fuente

DeepMind proporcionó acceso abierto al código fuente de varias versiones de AlphaFold (excluyendo AlphaFold 3) en 2022 tras las solicitudes de la comunidad científica. [ 61 ] [ 62 ] [ 63 ] El código fuente y los pesos de AlphaFold 3 se pusieron a disposición de la comunidad científica para uso no comercial a petición en noviembre de 2024. Se hizo público en febrero de 2025, manteniendo aún la restricción de uso no comercial. [ 64 ]

Clones y derivados

También se han publicado varios clones de AlphaFold, en su mayoría con términos de licencia permisivos . Los clones de AlphaFold3 incluyen Protenix de ByteDance ( licencia Apache 2.0 ), [ 65 ] OpenFold-3 del Laboratorio AlQuraishi ( licencia MIT ) y Boltz-1/2 (licencia MIT). [ 66 ]

También existen clones para versiones anteriores, aunque perdieron relevancia con la publicación en código abierto de los códigos fuente de AlphaFold 1 y 2. Siguen siendo relevantes los modelos, tanto de código abierto como cerrado, que incluyen modificaciones a la arquitectura de AlphaFold. Para AlphaFold 2, un ejemplo notable es ESMFold de Meta , que reemplaza el alineamiento de secuencias múltiples con el espacio latente de un modelo de lenguaje de proteínas. [ 67 ]

También se han creado herramientas de código abierto que complementan AlphaFold. Un ejemplo muy citado es ColabFold, que utiliza MMseqs2 [ 68 ] en lugar de HHblits para acelerar la búsqueda de secuencias, lo que permite que las canalizaciones de AlphaFold se ejecuten rápidamente en Google Colab . [ 69 ]

Base de datos de modelos de proteínas generada por AlphaFold

La base de datos de estructura de proteínas AlphaFold (AFDB), un proyecto conjunto entre AlphaFold y EMBL-EBI , se lanzó el 22 de julio de 2021. En su lanzamiento, la base de datos contenía modelos predichos por AlphaFold 1 para casi todo el proteoma UniProt de humanos y 20 organismos modelo , con un total de más de 365 000 proteínas. La base de datos no incluye proteínas con menos de 16 o más de 2700 residuos de aminoácidos , [ 70 ] pero para humanos están disponibles en el archivo de lote completo. [ 71 ] El objetivo inicial de AlphaFold (a principios de 2022) era ampliar la base de datos para cubrir la mayor parte del conjunto UniRef90, que contiene más de 100 millones de proteínas. A fecha de 15 de mayo de 2022, la base de datos contenía 992 316 predicciones. [ 72 ]

En julio de 2021, UniProt-KB e InterPro [ 73 ] se actualizaron para mostrar las predicciones de AlphaFold cuando estén disponibles. [ 74 ]

El 28 de julio de 2022, el equipo subió a la base de datos las estructuras de aproximadamente 200 millones de proteínas de 1 millón de especies, cubriendo casi todas las proteínas conocidas del planeta. [ 75 ] La cifra a partir de 2024 es de 214 millones, de las cuales 26 millones son duplicados (coincidencias exactas de secuencia) de otra proteína en la base de datos. Las estructuras predichas pueden diferir significativamente entre duplicados. [ 76 ]

A partir de 2025, la AFDB utiliza AlphaFold 2 para sus predicciones. Todas las estructuras producidas siguen siendo monoméricas, pero las estructuras multiméricas producidas por otras bases de datos se enlazan en la página a través de la API 3D-Beacons. Foldseek, que proporciona búsquedas de estructuras rápidas y precisas, también está integrado. Asimismo, se integra la información de AlphaMissense (una herramienta que utiliza AlphaFold para predecir el resultado de mutaciones de cambio de sentido). [ 77 ]

Bases de datos derivadas

AlphaFill añade cofactores a los modelos AlphaFold cuando corresponde. Esto se logra buscando estructuras similares en el Protein Data Bank y transfiriendo los cofactores a posiciones análogas. [ 78 ] También está vinculado a UniProt.

TmAlphaFold acopla modelos AlphaFold a membranas biológicas, de forma similar a como lo hace OPM con las estructuras PDB. [ 79 ]

AFTM utiliza modelos AlphaFold para identificar regiones transmembrana en proteínas humanas, de forma similar a como lo hace PDBTM con las estructuras PDB. [ 79 ]

ChannelsDB 2.0 utiliza modelos PDB o AlphaFill para calcular la ruta que una molécula puede seguir para llegar al sitio activo de una enzima o para llegar al otro lado de un poro transmembrana. [ 80 ]

La base de datos AFDB no se actualiza con los cambios de secuencias de UniProt. AlphaSync mantiene la AFDB sincronizada con los cambios de entrada de UniProt, generando estructuras, características a nivel de residuos y contactos actualizados. Intenta usar una entrada de la AFDB para la secuencia actualizada exacta cuando está disponible y, de lo contrario, ejecuta AlphaFold 2 de forma independiente. Rellena los datos faltantes de la AFDB para proteínas grandes (> 2700 aa) y proteínas con caracteres FASTA especiales como B, Z, U o X. [ 81 ]

La Enciclopedia de Dominios (TED) aplica el método de reconocimiento de dominios de la base de datos CATH a 188 millones de estructuras únicas de la AFDB, identificando casi 365 millones de dominios, que son 100 millones más de los que podrían identificar los métodos basados ​​en secuencias. [ 76 ]

La base de datos de Clasificación Evolutiva de Dominios de Proteínas (ECOD) asigna clasificaciones ECOD a todas las proteínas SwissProt en AFDB. [ 82 ]

Bases de datos no relacionadas basadas en AlphaFold

isoform.io es una base de datos de estructuras generadas por AlphaFold2 de isoformas de empalme propuestas en el genoma humano. Incluye información de 237.275 transcripciones humanas. Se ha utilizado para detectar errores en las predicciones de ARNm para algunos genes. [ 83 ]

Rendimiento, validaciones y limitaciones

AlphaFold ha mostrado ciertas limitaciones.

AlphaFold 1, 2 y AlphaFold DB

  • AlphaFold DB proporciona modelos de cadenas proteicas individuales (monómeros), en lugar de sus complejos biológicamente relevantes . [ 84 ]
  • Muchas regiones de proteínas se predicen con una puntuación de confianza baja, incluidas las regiones de proteínas intrínsecamente desordenadas . [ 85 ]
  • Alphafold-2 fue validado para predecir los efectos de las mutaciones puntuales en la estructura [ 86 ] y la energía libre, [ 87 ] con un éxito parcial.

AlphaFold 3

  • En varios puntos de referencia, AlphaFold3 ha demostrado, en promedio, un rendimiento superior a los algoritmos de acoplamiento convencionales basados ​​en búsqueda en la predicción de modos de unión de moléculas pequeñas a proteínas. [ 88 ]
  • AlphaFold versión 3 puede predecir estructuras de complejos proteicos con un conjunto muy limitado de cofactores seleccionados y modificaciones co- y postraduccionales . [ 89 ] Entre el 50% y el 70% de las estructuras del proteoma humano están incompletas sin glicanos unidos covalentemente. [ 90 ] [ 84 ]
  • Los estudios han demostrado que, si bien AlphaFold3 puede modelar conjuntamente el plegamiento conjunto de proteínas y ligandos, su precisión disminuye notablemente en casos de prueba con baja similitud a sus datos de entrenamiento, un área de particular importancia para el descubrimiento de fármacos. [ 91 ] Otros trabajos han encontrado que AlphaFold es insensible a los señuelos adversarios generados al alterar las propiedades fisicoquímicas de los sitios de unión, lo que sugiere una posible dependencia de la memorización del conjunto de entrenamiento en lugar de un conocimiento químico genuino. [ 92 ]

General

  • En el algoritmo, los residuos se mueven libremente, sin restricciones. Por lo tanto, durante el modelado no se mantiene la integridad de la cadena. Como resultado, AlphaFold puede producir resultados topológicamente erróneos, como estructuras con un número arbitrario de nudos. (El estudio utiliza AlphaFold 2.3.2.) [ 93 ]
  • El modelo se basa, en cierta medida, en información coevolutiva de proteínas similares. Por lo tanto, puede que no funcione tan bien en proteínas sintéticas o proteínas con muy baja homología con las de la base de datos de entrenamiento. [ 94 ] Los puntos de referencia respaldan esta limitación: cuando se aplica a proteínas de novo evolucionadas naturalmente, AlphaFold2 a menudo produce modelos de baja confianza y dependientes del predictor, y los predictores de estructura basados ​​en modelos de lenguaje de proteínas (sin alineación) pueden funcionar mejor para proteínas huérfanas que AlphaFold2. [ 95 ] [ 96 ] Más ampliamente, los análisis comparativos muestran que los predictores de estructura/desorden (incluidos AlphaFold2 y ESMFold) se comportan de manera diferente en proteínas de novo y de secuencia aleatoria que en proteínas conservadas, y que las métricas de confianza pueden mostrar diferentes relaciones con el desorden predicho en estas clases de secuencia. [ 97 ] [ 98 ]
  • La capacidad del modelo para predecir múltiples conformaciones nativas de las proteínas es limitada.
  • Las proteínas son inherentemente dinámicas, y acceder a múltiples conformaciones nativas suele ser crucial para comprender su función. Sin embargo, el modelo tiene una capacidad limitada para representar estos estados conformacionales alternativos, en particular aquellos que coexisten o se interconvierten en entornos biológicos.

Aplicaciones

AlphaFold se ha utilizado para predecir estructuras de proteínas del SARS-CoV-2 , el agente causal de la COVID-19 . Las estructuras de estas proteínas estaban pendientes de detección experimental a principios de 2020. [ 99 ] [ 9 ] Los resultados fueron revisados ​​por científicos del Instituto Francis Crick en el Reino Unido antes de ser publicados a la comunidad científica en general. El equipo también confirmó la predicción precisa comparándola con la proteína de la espícula del SARS-CoV-2 determinada experimentalmente que se compartió en el Protein Data Bank , una base de datos internacional de acceso abierto, antes de publicar las estructuras determinadas computacionalmente de las moléculas de proteínas poco estudiadas. [ 100 ] El equipo reconoció que, aunque estas estructuras de proteínas podrían no ser objeto de esfuerzos de investigación terapéutica en curso, contribuirán a la comprensión de la comunidad sobre el virus SARS-CoV-2. [ 100 ] Específicamente, la predicción de AlphaFold 2 de la estructura de la proteína ORF3a fue muy similar a la estructura determinada por investigadores de la Universidad de California, Berkeley utilizando criomicroscopía electrónica . Se cree que esta proteína específica ayuda al virus a salir de la célula huésped una vez que se replica. También se cree que esta proteína desempeña un papel en el desencadenamiento de la respuesta inflamatoria a la infección. [ 101 ]

Obras publicadas

  • Andrew W. Senior et al. (diciembre de 2019), "Predicción de la estructura de proteínas mediante múltiples redes neuronales profundas en la 13.ª Evaluación Crítica de la Predicción de la Estructura de Proteínas (CASP13)" , Proteins: Structure, Function, Bioinformatics 87 (12) 1141–1148 doi : 10.1002/prot.25834
  • Andrew W. Senior et al. (15 de enero de 2020), "Predicción mejorada de la estructura de proteínas mediante potenciales de aprendizaje profundo" , Nature 577 706–710 doi : 10.1038/s41586-019-1923-7
  • John Jumper et al. (diciembre de 2020), "Predicción de alta precisión de la estructura de proteínas mediante aprendizaje profundo", en Decimocuarta evaluación crítica de técnicas para la predicción de la estructura de proteínas (Libro de resúmenes) , págs.  22-24.
  • John Jumper et al. (Diciembre de 2020), " AlphaFold 2 ". Presentación realizada en CASP 14.
  • Abramson, J., Adler, J., Dunger, J. et al. (mayo de 2024), " Predicción precisa de la estructura de interacciones biomoleculares con AlphaFold 3 ", Nature 630, 493–500 (2024)

Véase también

Referencias

  1. ↑ autores), Kathryn Tunyasuvunakool, Jonas Adler, Zachary Wu, Tim Green, Michal Zielinski, Augustin Žídek, Alex Bridgland, Andrew Cowie, Clemens Meyer, Agata Laydon, Sameer Velanka *, Gerard J. Kleywegt *, Alex Bateman *, Richard Evans, Alexander Pritzel, Michael Figurnov, Olaf Ronneberger, Russ Bates, Simon AA Kohl, Anna Potapenko, Andrew J. Ballard, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Ellen Clancy, David Reiman, Stig Petersen, Andrew Senior, Koray Kavukcuoglu, Ewan Birney *, Pushmeet Kohli, John Jumper, Demis Hassabis (* Externo (2021-07-22). "Permitiendo la predicción de la estructura de proteínas de alta precisión a escala del proteoma" . Google DeepMind . Consultado el 11 de abril de 2026 .{{cite web}}: CS1 maint: varios nombres: lista de autores ( enlace )
  2. ↑ "AlphaFold" . Deepmind . Archivado del original el 19 de enero de 2021. Consultado el 30 de noviembre de 2020 .
  3. 1 2 3 4 5 6 "La IA de DeepMind para el plegamiento de proteínas ha resuelto un gran desafío de la biología de 50 años" . MIT Technology Review . Archivado del original el 28 de agosto de 2021. Consultado el 30 de noviembre de 2020 .
  4. ↑ Shead, Sam (30 de noviembre de 2020). "DeepMind resuelve un 'gran desafío' de 50 años con IA de plegamiento de proteínas" CNBC . Archivado del original el 28 de enero de 2021. Recuperado el 30 de noviembre de 2020 .
  5. ↑ Stoddart, Charlotte (1 de marzo de 2022). "Biología estructural: cómo las proteínas obtuvieron su primer plano" . Revista Knowable . doi : 10.1146/knowable-022822-1 . S2CID 247206999. Archivado del original el 7 de abril de 2022. Consultado el 25 de marzo de 2022 . 
  6. 1 2 3 4 5 6 7 8 Robert F. Service, 'El juego ha cambiado'. La IA triunfa en la resolución de estructuras proteicas. Archivado el 24 de junio de 2023 en Wayback Machine , Science , 30 de noviembre de 2020.
  7. 1 2 3 Saltador, John; Evans, Ricardo; Pritzel, Alejandro; Verde, Tim; Figurnov, Michael; Ronneberger, Olaf; Tunyasuvunakool, Kathryn; Bates, Russ; Žídek, Agustín; Potapenko, Anna; Bridgland, Alex; Meyer, Clemens; Kohl, Simón AA; Ballard, Andrew J; Cowie, Andrés; Romera-Paredes, Bernardino; Nikólov, Stanislav; Jainista, Rishub; Adler, Jonás; Atrás, Trevor; Petersen, Stig; Reiman, David; Clancy, Elena; Zielinski, Michal; Steinegger, Martín; Pacholska, Michalina; Berghammer, Tamas; Bodenstein, Sebastián; Plata, David; Vinyals, Oriol; Mayor, Andrew W; Kavukcuoglu, Koray; Kohli, Pushmeet; Hassabis, Demis (15 de julio de 2021). "Predicción de estructuras proteicas de alta precisión con AlphaFold" . Nature . 596 (7873): 583– 589. Bibcode : 2021Natur.596..583J . doi : 10.1038/s41586-021-03819-2 . PMC 8371605. PMID 34265844 .  
  8. 1 2 3 4 5 6 Mohammed AlQuraishi, las puntuaciones de CASP14 acaban de salir y son asombrosas. Archivado el 4 de agosto de 2022 en Wayback Machine , Twitter, 30 de noviembre de 2020.
  9. 1 2 3 4 5 6 Callaway, Ewen (30-11-2020).«Lo cambiará todo»: la IA de DeepMind da un salto gigantesco en la resolución de estructuras proteicas. Nature . 588 ( 7837): 203– 204. Bibcode : 2020Natur.588..203C . doi : 10.1038/d41586-020-03348-4 . PMID 33257889. S2CID 227243204 .  
  10. ↑ Stephen Curry, No, DeepMind no ha resuelto el plegamiento de proteínas. Archivado el 29/07/2022 en Wayback Machine , Reciprocal Space (blog), 2 de diciembre de 2020.
  11. ↑ Ball, Phillip (9 de diciembre de 2020). "Detrás de las pantallas de AlphaFold" . Chemistry World . Archivado del original el 15 de agosto de 2021. Recuperado el 10 de diciembre de 2020 .
  12. ↑ "GitHub - deepmind/alphafold: Código fuente abierto para AlphaFold" . GitHub . Archivado del original el 23 de julio de 2021. Consultado el 24 de julio de 2021 .
  13. ↑ "Base de datos de estructura de proteínas AlphaFold" . alphafold.ebi.ac.uk . Archivado del original el 24/07/2021 . Consultado el 24/07/2021 .
  14. ↑ "Google Académico" . scholar.google.com . Consultado el 1 de mayo de 2025 .
  15. 1 2 3 "AlphaFold 3 predice la estructura e interacciones de todas las moléculas de la vida" . Google . 8 de mayo de 2024. Archivado del original el 9 de mayo de 2024. Consultado el 9 de mayo de 2024 .
  16. 1 2 Abramson, Josh; Adler, Jonas; Dunger, Jack; Evans, Richard; Green, Tim; Pritzel, Alexander; Ronneberger, Olaf; Willmore, Lindsay; Ballard, Andrew J.; Bambrick, Joshua; Bodenstein, Sebastian W.; Evans, David A.; Hung, Chia-Chun; O'Neill, Michael; Reiman, David (2024-05-08). "Predicción precisa de la estructura de interacciones biomoleculares con AlphaFold 3" . Nature . 630 (8016): 493– 500. Bibcode : 2024Natur.630..493A . doi : 10.1038/s41586-024-07487-w . ISSN 1476-4687 . PMC 11168924 . PMID 38718835 .   
  17. ↑ "Más allá de AlphaFold 3: Navegando los desafíos futuros en la predicción de la estructura de proteínas" . 10 de mayo de 2024. Consultado el 29 de noviembre de 2024 .
  18. ↑ "Comunicado de prensa: Premio Nobel de Química 2024" . Real Academia Sueca de Ciencias. 9 de octubre de 2024. Consultado el 29 de noviembre de 2024. La Real Academia Sueca de Ciencias ha decidido otorgar el Premio Nobel de Química 2024, la mitad a David Baker ("por el diseño computacional de proteínas") y la otra mitad conjuntamente a Demis Hassabis y John Jumper ("por la predicción de la estructura de las proteínas").
  19. 1 2 Hunt, Christian Edwards, Katie (9 de octubre de 2024). "Científicos que utilizaron IA para 'descifrar el código' de casi todas las proteínas ganan el Premio Nobel de Química" . CNN . Archivado del original el 10 de octubre de 2024. Recuperado el 9 de octubre de 2024 .{{cite news}}: CS1 maint: varios nombres: lista de autores ( enlace )
  20. 1 2 Knapp, Alex. "Se anuncian los premios Breakthrough 2023: Deepmind's Protein Folders recibe 3 millones de dólares" . Forbes . Archivado del original el 9 de mayo de 2024. Consultado el 9 de mayo de 2024 .
  21. 1 2 3 "AlphaFold: Uso de la IA para el descubrimiento científico" . Deepmind . 15 de enero de 2020. Archivado del original el 7 de marzo de 2022. Recuperado el 30 de noviembre de 2020 .
  22. ↑ Mohammed AlQuraishi (mayo de 2019), AlphaFold en CASP13 Archivado el 22 de noviembre de 2021 en Wayback Machine , Bioinformatics , 35 (22), 4862–4865 doi : 10.1093/bioinformatics/btz422 . Véase también Mohammed AlQuraishi (9 de diciembre de 2018), AlphaFold @ CASP13: "¿Qué acaba de pasar?" Archivado el 29 de julio de 2022 en Wayback Machine (entrada de blog).Mohammed AlQuraishi (15 de enero de 2020), Un momento decisivo para la predicción de la estructura de proteínas Archivado el 23 de junio de 2022 en Wayback Machine , Nature 577 , 627–628 doi : 10.1038/d41586-019-03951-0
  23. ↑ AlphaFold: Aprendizaje automático para la predicción de la estructura de proteínas. Archivado el 12 de mayo de 2022 en Wayback Machine , Foldit , 31 de enero de 2020.
  24. 1 2 Jumper, John; et al. (agosto de 2021). "Predicción de estructura de proteínas de alta precisión con AlphaFold" . Nature . 596 ( 7873): 583– 589. Bibcode : 2021Natur.596..583J . doi : 10.1038/s41586-021-03819-2 . ISSN 1476-4687 . PMC 8371605. PMID 34265844 .    
  25. 1 2 "DeepMind está respondiendo a uno de los mayores desafíos de la biología" . The Economist . 30 de noviembre de 2020. ISSN 0013-0613 . Archivado del original el 3 de diciembre de 2020. Consultado el 30 de noviembre de 2020 . 
  26. 1 2 Jeremy Kahn, Lecciones del avance de DeepMind en IA de plegamiento de proteínas Archivado el 8 de abril de 2022 en Wayback Machine , Fortune , 1 de diciembre de 2020
  27. 1 2 3 4 Véase el diagrama de bloques. Véase también John Jumper et al. (1 de diciembre de 2020), presentación de AlphaFold 2 archivada el 3 de julio de 2022 en Wayback Machine , diapositiva 10.
  28. ↑ John Jumper et al., resumen de la conferencia (diciembre de 2020)
  29. ↑ Se afirma que el módulo de estructura utiliza una "arquitectura de transformador equivariante 3D" (John Jumper et al. (1 de diciembre de 2020), presentación de AlphaFold 2 archivada el 3 de julio de 2022 en Wayback Machine , diapositiva 12). Un diseño para una red de transformador con SE(3) - equivariancia fue propuesto por Fabian Fuchs et al. SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks archivada el 7 de octubre de 2021 en Wayback Machine , NeurIPS 2020; también sitio web archivado el 3 de julio de 2022 en Wayback Machine . No se sabe cuán similar o no puede ser esto a lo que se usó en AlphaFold.Véase también la entrada del blog archivada el 8 de diciembre de 2020 en Wayback Machine por AlQuaraishi sobre este tema, o la entrada más detallada archivada el 3 de julio de 2022 en Wayback Machine por Fabian Fuchs.
  30. ↑ John Jumper et al. (1 de diciembre de 2020), Presentación de AlphaFold 2 Archivada el 3 de julio de 2022 en Wayback Machine , diapositivas 12 a 20
  31. ↑ Callaway, Ewen (13 de abril de 2022). "¿Qué sigue para AlphaFold y la revolución del plegamiento de proteínas mediante IA?" . Nature . 604 ( 7905): 234– 238. Bibcode : 2022Natur.604..234C . doi : 10.1038/d41586-022-00997-5 . PMID 35418629. S2CID 248156195 .  
  32. ↑ Metz, Cade (8 de mayo de 2024). "Google presenta IA para predecir el comportamiento de las moléculas humanas" . The New York Times . ISSN 0362-4331 . Archivado del original el 10 de octubre de 2024. Consultado el 9 de mayo de 2024 . 
  33. ↑ "Servidor no comercial de AlphaFold-3" . Archivado del original el 10 de octubre de 2024. Consultado el 12 de mayo de 2024 .
  34. ↑ "Google Académico" . scholar.google.com . Consultado el 1 de mayo de 2025 .
  35. ↑ Rendimiento del grupo basado en puntuaciones z combinadas. Archivado el 8 de marzo de 2022 en Wayback Machine , CASP 13, diciembre de 2018. (AlphaFold = Equipo 043: A7D)
  36. 1 2 Sample, Ian (2 de diciembre de 2018). "DeepMind de Google predice las formas 3D de las proteínas" . The Guardian . Archivado del original el 18 de julio de 2019. Recuperado el 30 de noviembre de 2020 .
  37. ↑ "AlphaFold: Uso de la IA para el descubrimiento científico" . Deepmind . Enero de 2020. Archivado del original el 10 de octubre de 2024. Consultado el 30 de noviembre de 2020 .
  38. ↑ Singh, Arunima (2020). "Estructuras 3D de aprendizaje profundo" . Nature Methods . 17 (3): 249. doi : 10.1038/s41592-020-0779-y . ISSN 1548-7105 . PMID 32132733. S2CID 212403708 .   
  39. ↑ Consulte las tablas de datos CASP 13 archivadas el 14/03/2022 en Wayback Machine para 043 A7D, 322 Zhang y 089 MULTICOM.
  40. ↑ Wei Zheng et al. , Predicción de la estructura de proteínas guiada por mapas de contacto de aprendizaje profundo en CASP13. Archivado el 22/01/2022 en Wayback Machine , Proteins: Structure, Function, and Bioinformatics , 87 (12) 1149–1164 doi : 10.1002/prot.25792 ; y diapositivas . Archivado el 26/07/2022 en Wayback Machine.
  41. ↑ Hou, Jie; Wu, Tianqi; Cao, Renzhi; Cheng, Jianlin (2019-04-25). "Modelado de la estructura terciaria de proteínas impulsado por aprendizaje profundo y predicción de la distancia de contacto en CASP13" . Proteins: Structure, Function, and Bioinformatics . 87 (12). Wiley: 1165–1178 . bioRxiv 10.1101/552422 . doi : 10.1002 / prot.25697 . ISSN 0887-3585 . PMC 6800999. PMID 30985027 .    
  42. 1 2 "El avance de DeepMind ayuda a resolver cómo las enfermedades invaden las células" . Bloomberg.com . 30 de noviembre de 2020. Archivado del original el 5 de abril de 2022. Consultado el 30 de noviembre de 2020 .
  43. ↑ "deepmind/deepmind-research" . GitHub . Archivado del original el 1 de febrero de 2022. Consultado el 30 de noviembre de 2020 .
  44. 1 2 3 "AlphaFold: una solución a un gran desafío de 50 años en biología" . Deepmind . 30 de noviembre de 2020. Archivado del original el 30 de noviembre de 2020. Recuperado el 30 de noviembre de 2020 .
  45. ↑ "La IA de DeepMind para el plegamiento de proteínas ha resuelto un gran desafío de la biología de hace 50 años" . MIT Technology Review . Archivado del original el 28 de agosto de 2021. Consultado el 30 de noviembre de 2020 .
  46. ↑ Para la medida GDT_TS utilizada, cada átomo en la predicción obtiene un cuarto de punto si está dentro de 8 Å (0,80 nm) de la posición experimental; medio punto si está dentro de 4 Å, tres cuartos de punto si está dentro de 2 Å y un punto completo si está dentro de 1 Å.  
  47. ↑ Para lograr una puntuación GDT_TS de 92,5, matemáticamente al menos el 70% de la estructura debe ser precisa dentro de 1 Å, y al menos el 85% debe ser precisa dentro de 2 Å,
  48. ↑ Callaway, Ewen (13 de diciembre de 2022). "Después de AlphaFold: el concurso de plegamiento de proteínas busca el próximo gran avance" . Nature . 613 (7942): 13–14 . doi : 10.1038/d41586-022-04438-1 . PMID 36513827. S2CID 254660427 .  
  49. ↑ Una solución de inteligencia artificial a un desafío científico de 50 años podría "revolucionar" la investigación médica. Archivado el 24 de abril de 2022 en Wayback Machine (comunicado de prensa), comité organizador de CASP , 30 de noviembre de 2020.
  50. ↑ Brigitte Nerlich, Plegamiento de proteínas y comunicación científica: entre la exageración y la humildad. Archivado el 15 de febrero de 2022 en Wayback Machine , blog de la Universidad de Nottingham , 4 de diciembre de 2020.
  51. ↑ Michael Le Page, el biólogo de IA de DeepMind, puede descifrar los secretos de la maquinaria de la vida. Archivado el 2 de agosto de 2022 en Wayback Machine , New Scientist , 30 de noviembre de 2020.
  52. ↑ Las predicciones de la última IA de DeepMind podrían revolucionar la medicina. Archivado el 7 de noviembre de 2021 en Wayback Machine , New Scientist , 2 de diciembre de 2020.
  53. ↑ Tom Whipple, Deepmind encuentra el "santo grial" de la biología con la respuesta al problema de las proteínas , The Times (en línea), 30 de noviembre de 2020.Tom Whipple escribió seis artículos sobre el tema para The Times cuando se dio a conocer la noticia. ( Hilo archivado el 8 de noviembre de 2021 en Wayback Machine ).
  54. ↑ Cade Metz , Laboratorio de IA de Londres afirma un avance que podría acelerar el descubrimiento de fármacos. Archivado el 4 de agosto de 2022 en Wayback Machine , New York Times , 30 de noviembre de 2020.
  55. ↑ Ian Sample, La IA de DeepMind resuelve un problema de plegamiento de proteínas de hace 50 años. Archivado el 30 de noviembre de 2020 en Wayback Machine , The Guardian , 30 de noviembre de 2020.
  56. ↑ Lizzie Roberts, «Un avance que se produce una vez en una generación»: investigadores de IA de Google resuelven un desafío biológico de 50 años. Archivado el 4 de agosto de 2022 en Wayback Machine . Daily Telegraph , 30 de noviembre de 2020.
  57. ↑ Tim Hubbard , El secreto de la vida, parte 2: la solución al problema del plegamiento de proteínas. Archivado el 14 de mayo de 2022 en Wayback Machine , medium.com , 30 de noviembre de 2020.
  58. ↑ Por ejemplo, Greg Bowman, El plegamiento de proteínas y problemas relacionados siguen sin resolverse a pesar del avance de AlphaFold. Archivado el 13 de julio de 2022 en Wayback Machine , blog Folding@home , 8 de diciembre de 2020.
  59. ↑ Sample, Ian (21 de septiembre de 2023). «El equipo detrás del programa de IA AlphaFold gana el premio científico Lasker» . The Guardian . ISSN 0261-3077 . Archivado del original el 10 de octubre de 2024. Consultado el 9 de mayo de 2024 . 
  60. ↑ "El Premio Nobel de Química 2024" . NobelPrize.org . Archivado del original el 9 de octubre de 2024. Consultado el 10 de octubre de 2024 .
  61. ↑ Domínguez, Nuño (2020-12-02). "La inteligencia artificial arrasa en uno de los problemas más importantes de la biología" . El País (en español). Archivado desde el original el 26 de julio de 2022 . Consultado el 12 de mayo de 2024 .
  62. ↑ Briggs, David (4 de diciembre de 2020). "Si Alphafold2 de Google realmente ha resuelto el problema del plegamiento de proteínas, deben mostrar su metodología" . The Skeptic . Archivado del original el 12 de mayo de 2024. Consultado el 12 de mayo de 2024 .
  63. ↑ Demis Hassabis , «Breve actualización sobre algunos avances interesantes en #AlphaFold!» Archivado el 22 de julio de 2022 en Wayback Machine (tuit), vía Twitter , 18 de junio de 2021
  64. ↑ google-deepmind/alphafold3 , Google DeepMind, 8 de febrero de 2025 , consultado el 8 de febrero de 2025
  65. ^ Equipo ByteDance AML AI4Science; Chen, Xinshi; Zhang, Yuxuan; Lu, Chan; Mamá, Wenzhi; Guan, Jiaqi; Gong, Chengyue; Yang, Jincai; Zhang, Hanyu; Zhang, Ke; Wu, Shenghao; Zhou, Kuangqi; Yang, Yanping; Liu, Zhenyu; Wang, Lan; Shi, Bo; Shi, Shaochen; Xiao, Wenzhi (11 de enero de 2025). "Protenix: avance de la predicción de estructuras a través de una reproducción integral de AlphaFold3". bioRxiv 10.1101/2025.01.08.631967 . {{cite bioRxiv}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  66. ^ Naddaf, Miryam (28 de octubre de 2025). "La IA con estructura de proteínas de código abierto tiene como objetivo igualar a AlphaFold". Naturaleza . doi : 10.1038/d41586-025-03546-y . PMID 41152525 . 
  67. ↑ Lin, Z; Akin, H; Rao, R; Hie, B; Zhu, Z; Lu, W; Smetanin, N; Verkuil, R; Kabeli, O; Shmueli, Y; Dos Santos Costa, A; Fazel-Zarandi, M; Sercu, T; Candido, S; Rives, A (17 de marzo de 2023). "Predicción a escala evolutiva de la estructura de proteínas a nivel atómico con un modelo de lenguaje" . Science . 379 (6637): 1123– 1130. Bibcode : 2023Sci...379.1123L . doi : 10.1126/science.ade2574 . PMID 36927031 . 
  68. ↑ Steinegger, Martin; Söding, Johannes (2017). "MMseqs2 permite la búsqueda sensible de secuencias de proteínas para el análisis de conjuntos de datos masivos" . Nature Biotechnology . 35 (11): 1026– 1028. doi : 10.1038/nbt.3988 . ISSN 1087-0156 . PMID 29035372 .  
  69. ↑ Mirdita, Milot; Schütze, Konstantin; Moriwaki, Yoshitaka; Heo, Lim; Ovchinnikov, Sergey; Steinegger, Martin (2022-05-30). "ColabFold: Haciendo que el plegamiento de proteínas sea accesible para todos" . Nature Methods . 19 (6): 679– 682. doi : 10.1038/s41592-022-01488-1 . PMC 9184281. PMID 35637307 .  
  70. ↑ "Base de datos de estructura de proteínas AlphaFold" . alphafold.ebi.ac.uk . Archivado del original el 29/07/2022 . Consultado el 29/07/2021 .
  71. ↑ "Base de datos de estructuras de proteínas AlphaFold" . alphafold.ebi.ac.uk . Archivado del original el 29 de julio de 2022. Consultado el 27 de julio de 2021 .
  72. ↑ "Base de datos de estructuras de proteínas AlphaFold" . www.alphafold.ebi.ac.uk . Archivado del original el 2 de agosto de 2022. Consultado el 24 de julio de 2021 .
  73. ↑ InterPro (22 de julio de 2021). "Predicciones de estructura Alphafold disponibles en InterPro" . proteinswebteam.github.io . Archivado del original el 5 de noviembre de 2021. Consultado el 29 de julio de 2021 .
  74. ↑ "Poniendo el poder de AlphaFold en manos del mundo" . Deepmind . 22 de julio de 2022. Archivado del original el 24 de julio de 2021. Consultado el 24 de julio de 2021 .
  75. ↑ Callaway, Ewen (28-07-2022) .«Todo el universo de las proteínas»: la IA predice la forma de casi todas las proteínas conocidas . Nature . 608 (7921): 15–16 . Bibcode : 2022Natur.608...15C . doi : 10.1038/ d41586-022-02083-2 . PMID 35902752. S2CID 251159714 .  
  76. 1 2 Lau, Andy M.; Bordin, Nicola; Kandathil, Shaun M.; Sillitoe, Ian; Waman, Vaishali P.; Wells, Jude; Orengo, Christine A.; Jones, David T. (noviembre de 2024). "Explorando la diversidad estructural en todo el universo de las proteínas con The Encyclopedia of Domains" . Science . 386 ( 6721) eadq4946. Bibcode : 2024Sci...386q4946L . doi : 10.1126/science.adq4946 . PMC 7618865. PMID 39480926 .  
  77. ^ Fleming, Jennifer; Magaña, Paulyna; Nair, Sreenath; Tsenkov, Maxim; Bertoni, Damián; Pidruchna, Ivanna; Lima Alfonso, Marcelo Querino; Midlik, Adam; Paramval, Urmila; Žídek, Agustín; Laydon, Ágata; Kovalevskiy, Oleg; Pan, Josué; Cheng, junio; Avsec, Žiga; Bycroft, Clara; Wong, Lai Hong; Por último, Meera; Mirdita, Milot; Steinegger, Martín; Kohli, Pushmeet; Varadi, Mihály; Velankar, Sameer (agosto de 2025). "Base de datos de estructura de proteínas AlphaFold y balizas 3D: nuevos datos y capacidades" . Revista de biología molecular . 437 (15) 168967. doi : 10.1016/j.jmb.2025.168967 . PMID 40133787 . 
  78. ^ Hekkelman, Maarten L.; de Vries, Ida; Joosten, Robbie P.; Perrakis, Anastassis (febrero de 2023). "AlphaFill: enriquecimiento de modelos AlphaFold con ligandos y cofactores" . Métodos de la naturaleza . 20 (2): 205– 213. Bibcode : 2023NatCB..20..205H . doi : 10.1038/s41592-022-01685-y . PMC 9911346 . PMID 36424442 .  
  79. 1 2 Rosignoli, Serena; Pacelli, Maddalena; Manganiello, Francesca; Paiardini, Alessandro (febrero de 2025). "Una perspectiva sobre la biología estructural después de Alpha Fold: herramientas, límites y perspectivas" . FEBS Open Bio . 15 (2): 202– 222. doi : 10.1002/2211-5463.13902 . PMC 11788754. PMID 39313455 .  
  80. ↑ Špačková, Anna; Vávra, Ondřej; Raček, Tomaš; Bazgier, Václav; Sehnal, David; Damborský, Jiří; Svobodová, Radka; Bednář, David; Berka, Karel (5 de enero de 2024). "ChannelsDB 2.0: una base de datos completa de túneles y poros de proteínas en la era AlphaFold" . Investigación de ácidos nucleicos . 52 (D1): D413– D418. doi : 10.1093/nar/gkad1012 . PMC 10767935 . PMID 37956324 .  
  81. ↑ Lang, Benjamin; Babu, M. Madan (2025). "AlphaSync es una base de datos de estructuras AlphaFold mejorada sincronizada con UniProt" . Nature Structural & Molecular Biology . 32 (12): 2628– 2632. bioRxiv 10.1101/2025.03.12.642845 . doi : 10.1038/s41594-025-01719-x . PMID 41219581 .  
  82. ↑ Schaeffer, RD; Zhang, J; Cong, Q; Grishin, NV (marzo de 2026). "ECOD: Clasificación de dominios en predicciones de estructura AFDB Swiss-Prot" . PLOS Computational Biology . 22 (3) e1013431. Bibcode : 2026PLSCB..2213431S . doi : 10.1371/journal.pcbi.1013431 . PMC 13048469. PMID 41911251 .  
  83. ↑ Sommer, Markus J; Cha, Sooyoung; Varabyou, Ales; Rincon, Natalia; Park, Sukhwan; Minkin, Ilia; Pertea, Mihaela; Steinegger, Martin; Salzberg, Steven L (15 de diciembre de 2022). "Identificación de isoformas guiada por la estructura para el transcriptoma humano" . eLife . 11 e82556. doi : 10.7554/eLife.82556 . PMC 9812405. PMID 36519529 .  
  84. 1 2 "¿Qué casos de uso no admite AlphaFold?" . Base de datos de estructura de proteínas AlphaFold . Archivado del original el 29-07-2022 . Recuperado el 15-05-2022 .
  85. ↑ AlphaFold anuncia una revolución basada en datos en biología y medicina. Archivado el 10 de octubre de 2024 en Wayback Machine , por Janet M. Thornton , Roman A. Laskowski y Neera Borkakoti, Nature Medicine , volumen 12, páginas 1666–1669, 12 de octubre de 2021.
  86. ↑ McBride, John M.; Polev, Konstantin; Abdirasulov, Amirbek; Reinharz, Vladimir; Grzybowski, Bartosz A.; Tlusty, Tsvi (2023-11-20). "AlphaFold2 puede predecir efectos de mutación única" . Physical Review Letters . 131 (21) 218401. arXiv : 2204.06860 . Bibcode : 2023PhRvL.131u8401M . doi : 10.1103/PhysRevLett.131.218401 . ISSN 0031-9007 . PMID 38072605. Archivado del original el 9 de junio de 2024 . Consultado el 26 de noviembre de 2023 .  
  87. ↑ McBride, John M.; Tlusty, Tsvi (26 de agosto de 2024). "La deformación de proteínas predicha por IA codifica una perturbación del paisaje energético" . Physical Review Letters . 133 (9) 098401. arXiv : 2311.18222 . Bibcode : 2024PhRvL.133i8401M . doi : 10.1103/PhysRevLett.133.098401 . ISSN 0031-9007 . PMID 39270162 .  
  88. ↑ Abramson, Josh; Adler, Jonas; Dunger, Jack; Evans, Richard; Green, Tim; Pritzel, Alexander; Ronneberger, Olaf; Willmore, Lindsay; Ballard, Andrew J.; Bambrick, Joshua; Bodenstein, Sebastian W.; Evans, David A.; Hung, Chia-Chun; O'Neill, Michael; Reiman, David (junio de 2024). "Predicción precisa de la estructura de interacciones biomoleculares con AlphaFold 3" . Nature . 630 (8016): 493–500 . Bibcode : 2024Natur.630..493A . doi : 10.1038/s41586-024-07487-w . ISSN 1476-4687 . PMC 11168924 . PMID 38718835 .   
  89. ↑ Bagdonas, Haroldas; Fogarty, Carl A.; Fadda, Elisa; Agirre, Jon (2021-10-29). "El caso de las modificaciones post-predictivas en la base de datos de estructura de proteínas AlphaFold" ( PDF) . Nature Structural & Molecular Biology . 28 (11): 869– 870. doi : 10.1038/s41594-021-00680-9 . ISSN 1545-9985 . PMID 34716446. S2CID 240228913. Archivado (PDF) del original el 13-01-2024 . Recuperado el 13-01-2024 .   
  90. ↑ An, Hyun Joo; Froehlich, John W; Lebrilla, Carlito B (2009-10-01). "Determinación de sitios de glicosilación y heterogeneidad específica del sitio en glicoproteínas" . Current Opinion in Chemical Biology . Analytical Techniques/Mechanisms. 13 (4): 421– 426. doi : 10.1016/j.cbpa.2009.07.022 . ISSN 1367-5931 . PMC 2749913 . PMID 19700364 .   
  91. ↑ Škrinjar, Peter; Eberhardt, Jérôme; Tauriello, Gerardo; Schwede, Torsten; Durairaj, Janani (4 de agosto de 2025). "¿Los métodos de coplegamiento de proteína-ligando han ido más allá de la memorización?". bioRxiv 10.1101/2025.02.03.636309 . 
  92. ↑ Masters, Matthew R.; Mahmoud, Amr H.; Lill, Markus A. (2025-10-06). "Investigando si los modelos de aprendizaje profundo para el co-plegamiento aprenden la física de las interacciones proteína-ligando" . Nature Communications . 16 (1): 8854. Bibcode : 2025NatCo..16.8854M . doi : 10.1038/s41467-025-63947-5 . ISSN 2041-1723 . PMC 12501370. PMID 41053181 .   
  93. ↑ Dabrowski-Tumanski, Pawel; Stasiak, Andrzej (7 de noviembre de 2023). "La ceguera de AlphaFold a las barreras topológicas afecta su capacidad para predecir correctamente la topología de las proteínas" . Molecules . 28 ( 22): 7462. doi : 10.3390/molecules28227462 . PMC 10672856. PMID 38005184 .  
  94. ↑ "El último avance de DeepMind en IA podría acelerar el descubrimiento de fármacos" . Fast Company . ISSN 1085-9241 . Archivado del original el 24 de enero de 2023. Consultado el 24 de enero de 2023 . 
  95. ↑ Aubel, Margaux; Eicholt, Lars; Bornberg-Bauer, Erich (2023-03-29). "Evaluación de herramientas de predicción de estructura y desorden para proteínas emergentes de novo en la era del aprendizaje automático" . F1000Research . 12 : 347. doi : 10.12688/f1000research.130443.1 . PMC 10126731. PMID 37113259 .  
  96. ↑ Michaud, Jennifer M.; Madani, Ali; Fraser, James S. (noviembre de 2022). "Un modelo de lenguaje supera a alphafold2 en huérfanos" . Nature Biotechnology . 40 (11): 1576– 1577. doi : 10.1038/s41587-022-01466-0 . PMC 9669189. PMID 36192635 .  
  97. ↑ Middendorf, Lasse; Eicholt, Lars A. (junio de 2024). "Proteínas aleatorias, de novo y conservadas: cómo los predictores de estructura y desorden se desempeñan de manera diferente" . Proteins . 92 (6): 757–767 . doi : 10.1002/prot.26652 . PMID 38226524 . 
  98. ↑ Liu, Jing; Yuan, Rongqing; Shao, Wei; Wang, Jitong; Silman, Israel; Sussman, Joel L. (agosto de 2023). "¿Se parecen las proteínas huérfanas 'recién nacidas' a las proteínas 'nunca nacidas'? Un estudio utilizando tres algoritmos de aprendizaje profundo" . Proteins . 91 (8): 1097–1115 . doi : 10.1002/prot.26496 . PMID 37092778 . 
  99. ↑ "La IA puede ayudar a los científicos a encontrar una vacuna contra la COVID-19" . Wired . ISSN 1059-1028 . Archivado del original el 23 de abril de 2022. Consultado el 1 de diciembre de 2020 . 
  100. 1 2 "Predicciones computacionales de estructuras proteicas asociadas con COVID-19" . Deepmind . 4 de agosto de 2020. Archivado del original el 25 de marzo de 2022. Recuperado el 1 de diciembre de 2020 .
  101. ↑ "Cómo la nueva IA de DeepMind para el plegamiento de proteínas ya está ayudando a combatir la pandemia del coronavirus" . Fortune . Archivado del original el 30 de noviembre de 2020. Consultado el 1 de diciembre de 2020 .

Lecturas adicionales

  • Carlos Outeiral, CASP14: qué logró realmente AlphaFold 2 de Google DeepMind y qué significa para el plegamiento de proteínas, la biología y la bioinformática , Oxford Protein Informatics Group. (3 de diciembre)
  • Mohammed AlQuraishi, AlphaFold2 @ CASP14: "Es como si un hijo se hubiera ido de casa." (blog), 8 de diciembre de 2020
  • Mohammed AlQuraishi, El método AlphaFold2: una fuente de buenas ideas (blog), 25 de julio de 2021
  • Servidor web AlphaFold-3
  • Código de AlphaFold v2.1 y enlaces al modelo en GitHub.
  • Acceso abierto a predicciones de la estructura de proteínas para el proteoma humano y otros 20 organismos clave en el Instituto Europeo de Bioinformática (Base de datos de estructura de proteínas AlphaFold).
  • Sitio web de CASP 14
  • AlphaFold: Cómo se hizo un avance científico , DeepMind, vía YouTube.
  • ColabFold , versión para predicción de homooligomeros y complejos