En octubre del año pasado, Demis Hassabis y John Jumper ganaron el Premio Nobel de Química por AlphaFold 2. Un sistema de IA que resolvió el problema del plegamiento de proteínas que había desafiado a la biología estructural durante cincuenta años – con precisión atómica, resultados en horas, mientras que los métodos tradicionales tomaban meses.
Qué tan grande es el impacto
La base de datos de estructuras de proteínas de AlphaFold ahora contiene más de 240 millones de estructuras predichas, cubriendo cada proteína producida por el cuerpo humano. Más de 3 millones de investigadores en más de 190 países la utilizan, un tercio de ellos de países de ingresos bajos y medios. Ha contribuido a aproximadamente 200.000 artículos científicos.
Las versiones posteriores siguen en desarrollo:
- AlphaFold Multimer: Predicción de estructuras de complejos multiproteicos
- AlphaFold 3: Expansión a ADN, ARN, ligandos y todas las moléculas de la vida
- "AlphaFold 4" (nombre no oficial): Desarrollado por la subsidiaria Isomorphic Labs, orientado al descubrimiento de fármacos
El dilema de DeepMind
Un artículo extenso en Nature planteó una pregunta incisiva: ¿Puede DeepMind, después de ganar el Nobel, generar otro avance de magnitud equivalente?
El núcleo del problema no es si DeepMind carece de talento o tecnología, sino que el panorama general ha cambiado. La ola de los LLM ha absorbido casi toda la inversión y atención en IA. La misión original de DeepMind era "usar la IA para impulsar descubrimientos científicos", pero los recursos y el talento de la empresa difícilmente pueden permanecer completamente ajenos al furor de los LLM.
Hassabis es optimista: La investigación científica impulsada por IA pasará por un período de reestructuración de 10 a 15 años, seguido de un "Renacimiento".
Por qué esto trasciende la propia industria de la IA
El significado de AlphaFold no es solo "la IA es increíble". Por primera vez, demostró en la academia mainstream que la IA puede resolver problemas científicos fundamentales que los métodos tradicionales no pueden. El valor de este precedente supera cualquier puntuación de benchmark.
Si la IA pudo lograr esto con las proteínas, es posible generar avances similares en ciencia de materiales, diseño de fármacos y modelado climático. La pregunta es solo: ¿Quién invertirá en estas direcciones difíciles de monetizar?
Fuente de referencia: CocoLoop, reportaje de Nature