DESCIFRANDO LA FORMA DE LA VIDA: DEL MODELADO POR HOMOLOGÍA A LA REVOLUCIÓN DE ALPHAFOLD
DOI:
https://doi.org/10.32399/icuap.rdic.2448-5829.2026.35.1729Palabras clave:
AlphaFold, Proteinas, Enzimas, Modelado por homologíaResumen
El presente artículo presenta la herramienta AlphaFold, una innovación de DeepMind que ha transformado la predicción de estructuras de proteínas mediante inteligencia artificial. Tradicionalmente, determinar la conformación tridimensional de una proteína solía depender de técnicas experimentales complejas, costosas y lentas como cristalografía de rayos X, resonancia magnética nuclear o criomicroscopía electrónica. Aunque el modelado por homología aportó avances, no podía abarcar la enorme cantidad de secuencias disponibles. AlphaFold revolucionó este campo al predecir estructuras directamente a partir de la secuencia de aminoácidos con una precisión comparable a métodos experimentales, generando más de 200 millones de modelos y superando por mucho las 245 mil estructuras del Protein Data Bank en 2025. Su impacto en la biomedicina ya es evidente: permitió identificar dominios funcionales en proteínas de Plasmodium falciparum, abriendo nuevas vías contra la malaria, y facilitó el estudio de interacciones de la proteína Ras, relevante en múltiples cánceres. Por esta revolución científica, Hassabis, Jumper y Baker recibieron el Premio Nobel de Química 2024. AlphaFold ha acelerado el diseño de fármacos, la ingeniería de proteínas y la comprensión molecular de enfermedades, consolidando a la inteligencia artificial como un pilar central de la biología estructural moderna.
Citas
Alberts, B., Johnson, A., Lewis, J., Raff, M., Roberts, K., & Walter, P. (2002). Molecular Biology of the Cell. Nih.gov; Garland Science. https://www.ncbi.nlm.nih.gov/books/NBK26830/
AlphaFold Protein Structure Database (2021). AlphaFold Protein Structure Database. Ebi.ac.uk. https://alphafold.ebi.ac.uk/about
AlphaFold (2023). ¿Por qué es importante poder predecir la estrutura 3D de una proteína? AlphaFold. https://alphafold.ebi.ac.uk/about#nav-content-3
Bateman, A., Martin, M.-J., Orchard, S., Magrane, M., Adesina, A., Ahmad, S., Bowler-Barnett, E. H., Hema Bye-A-Jee, Carpentier, D., Denny, P., Fan, J., Garmiri, P., Jose, L., Hussein, A., Alexandr Ignatchenko, Insana, G., Rizwan Ishtiaq, Joshi, V., Dushyanth Jyothi, & Swaathi Kandasaamy. (2024). UniProt: the Universal Protein Knowledgebase in 2025. Nucleic Acids Research, 53(D1), D609–D617. https://doi.org/10.1093/nar/gkae1010
Behrens, H. M., & Spielmann, T. (2024). Identification of domains in Plasmodium falciparum proteins of unknown function using DALI search on AlphaFold predictions. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-60058-x
Belsom, A., Schneider, M., Fischer, L., Brock, O., & Rappsilber, J. (2016). Serum Albumin Domain Structures in Human Blood Serum by Mass Spectrometry and Computational Biology. Molecular & Cellular Proteomics, 15(3), 1105–1116. https://doi.org/10.1074/mcp.m115.048504
Bertoline, L. M. F., Lima, A. N., Krieger, J. E., & Teixeira, S. K. (2023). Before and after AlphaFold2: An overview of protein structure prediction. Frontiers in Bioinformatics, 3. https://doi.org/10.3389/fbinf.2023.1120370
Bryant, P., Pozzati, G., & Elofsson, A. (2022). Improved prediction of protein-protein interactions using AlphaFold2. Nature Communications, 13(1). https://doi.org/10.1038/s41467-022-28865-w
Callaway, E. (2022). The entire protein universe: AI predicts shape of nearly every known protein. Nature, 608, 15–16.
Davis, A. M., St-Gallay, S. A., & Kleywegt, G. J. (2008). Limitations and lessons in the use of X-ray structural information in drug design. Drug discovery today, 13(19-20), 831–841. https://doi.org/10.1016/j.drudis.2008.06.006
DeepMind (2020). AlphaFold: A solution to a 50-year-old grand challenge in biology. https://deepmind.google/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/
D’Imprima, E., & Kühlbrandt, W. (2021). Current limitations to high-resolution structure determination by single-particle cryoEM. Quarterly Reviews of Biophysics, 54, e4. https://doi.org/10.1017/s0033583521000020
Johnson, M. S., Srinivasan, N., Sowdhamini, R., & Blundell, T. L. (2008). Knowledge-Based Protein Modeling. Critical Reviews in Biochemistry and Molecular Biology, 29(1), 1–68. https://doi.org/10.3109/10409239409086797
Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Olaf Ronneberger, Tunyasuvunakool, K., Bates, R., Augustin Žídek, Potapenko, A., Bridgland, A., Meyer, C., Simon, Ballard, A. J., Cowie, A., Bernardino Romera-Paredes, Nikolov, S., Jain, R., Adler, J., & Back, T. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. https://doi.org/10.1038/s41586-021-03819-2
Junk, P., & Kiel, C. (2023). Structure-based prediction of Ras-effector binding affinities and design of “branchegetic” interface mutations. Structure, 31(7), 870–883.e5. https://doi.org/10.1016/j.str.2023.04.007
Kolinski, A., Rotkiewicz, P., Ilkowski, B., & Skolnick, J. (2000). A method for the improvement of threading-based protein models. Proteins: Structure, Function, and Genetics, 37(4), 592–610. https://doi.org/10.1002/(SICI)1097-0134(19991201)37:4
Nobel Prize in Chemistry (2024). NobelPrize.org. Recuperado de https://www.nobelprize.org/prizes/chemistry/2024/summary/
Perrakis, A., & Sixma, T. K. (2021). AI revolutions in biology. EMBO Reports, 22(11). https://doi.org/10.15252/embr.202154046
Porta-Pardo, E., Ruiz-Serra, V., Valentini, S., & Valencia, A. (2022). The structural coverage of the human proteome before and after AlphaFold. PLoS computational biology, 18(1), e1009818. https://doi.org/10.1371/journal.pcbi.1009818
RCSB Protein Data Bank (2025). PDB Statistics: Overall Growth of Released Structures Per Year. PDB. https://www.rcsb.org/stats/growth/growth-released-structures
Saldaño, T., Escobedo, N., Marchetti, J., Zea, D. J., Mac Donagh, J., Vélez Rueda, A. J., Gonik, E., García Melani, A., Novomisky Nechcoff, J., Salas, M. N., Peters, T., Demitroff, N., Fernández Alberti, S., Palopoli, N., Fornasari, M. S., & Parisi, G. (2022). Impact of protein conformational diversity on AlphaFold predictions. Bioinformatics, 38(10), 2742–2748. https://doi.org/10.1093/bioinformatics/btac202
Senior, A. W., Evans, R., Jumper, J., Kirkpatrick, J., Sifre, L., Green, T., Qin, C., Žídek, A., Nelson, A. W. R., Bridgland, A., Penedones, H., Petersen, S., Simonyan, K., Crossan, S., Kohli, P., Jones, D. T., Silver, D., Kavukcuoglu, K., & Hassabis, D. (2019). Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Protein Structure Prediction (CASP13). Proteins: Structure, Function, and Bioinformatics, 87(12), 1141–1148.
Weng, Y., Pan, C., Shen, Z., Chen, S., Xu, L., Dong, X., & Chen, J. (2022). Identification of Potential WSB1 Inhibitors by AlphaFold Modeling, Virtual Screening, and Molecular Dynamics Simulation Studies. Evidence-Based Complementary and Alternative Medicine, 2022, 1–11. https://doi.org/10.1155/2022/4629392
Xiang, Z. (2006). Advances in Homology Protein Structure Modeling. Current Protein and Peptide Science, 7(3), 217–227. https://doi.org/10.2174/138920306777452312
Yang, Z., Zeng, X., Zhao, Y., & Chen, R. (2023). AlphaFold2 and its applications in the fields of biology and medicine. Signal Transduction and Targeted Therapy, 8(1), 115–115. https://doi.org/10.1038/s41392-023-01381-z
Yin, R., Feng, B. Y., Varshney, A., & Pierce, B. G. (2022). Benchmarking AlphaFold for protein complex modeling reveals accuracy determinants. Protein Science, 31(8). https://doi.org/10.1002/pro.4379
Zhao, G., & Zhao, Y. (2025). Unveiling KRAS mutant structures with AlphaFold 3: New avenues for targeted cancer therapy. bioRxiv. https://doi.org/10.1101/2025.05.16.654380
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 RD-ICUAP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Definir aviso de derechos.
Los datos de este artículo, así como los detalles técnicos para la realización del experimento, se pueden compartir a solicitud directa con el autor de correspondencia.
Los datos personales facilitados por los autores a RD-ICUAP se usarán exclusivamente para los fines declarados por la misma, no estando disponibles para ningún otro propósito ni proporcionados a terceros.
