Una imagen tridimensional de una proteína puede parecer algo lejano a nuestra vida cotidiana. Sin embargo, comprender su estructura ayuda a investigar cómo funciona el organismo y cómo podrían actuar futuros tratamientos. La inteligencia artificial está ampliando esa capacidad, aunque entre una predicción prometedora y un medicamento útil existe un recorrido que ningún titular debería saltarse.
Una reflexión publicada por EMBL-EBI el 17 de septiembre de 2026 pone el foco precisamente en esa diferencia: para confiar en la IA biomédica necesitamos evaluaciones rigurosas, independientes y reproducibles. La pregunta ya no es únicamente qué puede generar un modelo, sino cómo comprobamos que su resultado merece confianza.
Por qué importa la forma de una proteína
Las proteínas participan en funciones muy distintas: transportan sustancias, reciben señales, aceleran reacciones y contribuyen a la estructura de los tejidos. Su actividad depende, entre otros factores, de cómo se organizan en el espacio y de las moléculas con las que interactúan.
Podemos imaginar una proteína como una herramienta cuya forma condiciona su funcionamiento. Conocer esa forma permite formular preguntas: ¿dónde podría unirse otra molécula?, ¿qué interacción convendría bloquear?, ¿qué cambio podría alterar su actividad?
La comparación tiene límites. Las proteínas no son piezas rígidas: pueden moverse, cambiar de configuración y actuar dentro de sistemas biológicos complejos. Por eso, disponer de una representación estructural aporta información valiosa, pero no explica por sí sola todo su comportamiento.
Qué aportó AlphaFold 3
Hecho: el 8 de mayo de 2024, un artículo publicado en Nature presentó AlphaFold 3, un modelo capaz de predecir estructuras de complejos que incluyen proteínas, ácidos nucleicos y otras moléculas. El estudio mostró mejoras frente a los métodos comparados en distintas tareas de predicción de interacciones biomoleculares. Investigación original sobre AlphaFold 3.
Su interés va más allá de obtener una imagen atractiva. Una predicción estructural puede orientar experimentos y ayudar a seleccionar hipótesis que merecen estudiarse.
Pero el propio trabajo describe limitaciones, incluidas estructuras incorrectas y dificultades para representar determinados aspectos de las moléculas. Una predicción plausible no constituye una confirmación experimental.
Perspectiva: estas herramientas pueden resultar especialmente útiles cuando permiten a los investigadores formular mejores preguntas y decidir qué comprobar primero. Su valor científico depende de lo que ocurre después de generar el resultado.
La novedad de septiembre de 2026: evaluar mejor
Hecho: en su publicación del 17 de septiembre de 2026, EMBL-EBI destaca la necesidad de separar el desarrollo de un modelo de su evaluación final. Recomienda comprobar su rendimiento con datos reservados que no se hayan utilizado para perfeccionarlo. EMBL-EBI: evaluación rigurosa de la IA biomédica.
La idea es fácil de entender: un estudiante que practica con las mismas preguntas del examen puede obtener una nota excelente sin demostrar que sabe resolver problemas nuevos.
En investigación, las pruebas comparativas —denominadas benchmarks— permiten examinar métodos bajo condiciones comunes. Sin embargo, también importa qué se mide. Un sistema puede destacar en una tarea y no ofrecer ventajas en otra.
La institución señala además el papel de iniciativas independientes como CASP, que evalúa predicciones de estructuras proteicas frente a estructuras determinadas experimentalmente.
Inferencia razonada: cuanto más impresionante sea una demostración, más útil resulta preguntar si el sistema funciona también con ejemplos nuevos, evaluadores independientes y criterios relevantes para su aplicación.
De una predicción a un medicamento
Supongamos que un modelo propone cómo podría unirse una molécula a una proteína relacionada con una enfermedad. Ese resultado abre una línea de investigación, pero deja numerosas preguntas pendientes.
¿La unión se produce realmente? ¿Modifica la actividad que interesa? ¿La molécula llega al lugar adecuado del organismo? ¿Provoca efectos indeseados? ¿Puede fabricarse con calidad suficiente?
Son preguntas diferentes de “¿encaja en el modelo?”.
La FDA describe el desarrollo de medicamentos mediante etapas que incluyen descubrimiento, investigación preclínica, investigación clínica, revisión regulatoria y vigilancia posterior a la comercialización. La evaluación en personas permite estudiar seguridad y eficacia; la supervisión continúa después de la autorización. FDA: proceso de desarrollo de medicamentos.
Esta descripción corresponde al sistema estadounidense. Sirve para comprender la diferencia entre descubrir un candidato y demostrar su utilidad clínica, sin asumir que todos los países siguen procedimientos idénticos.
Cómo leer un titular sobre “un fármaco creado por IA”
Antes de compartir una noticia, conviene responder cinco preguntas:
- ¿Qué hizo exactamente la IA? Predecir una estructura, seleccionar candidatos y demostrar eficacia en pacientes son logros diferentes.
- ¿Dónde se comprobó el resultado? Una simulación, un experimento de laboratorio y un ensayo clínico aportan evidencias distintas.
- ¿Con qué se comparó? Una mejora solo se interpreta bien cuando conocemos la alternativa utilizada.
- ¿Quién lo evaluó? Una comunicación empresarial y una investigación independiente no ofrecen el mismo contexto.
- ¿Qué sigue sin saberse? Un artículo riguroso explica sus límites y las pruebas pendientes.
Estas preguntas no restan mérito a los avances. Ayudan a reconocer qué se ha conseguido realmente.
También importa cuando hablamos de cosmética
La misma distinción resulta útil ante expresiones como “ingrediente diseñado con IA” o “fórmula descubierta mediante inteligencia artificial”. El método empleado para encontrar una idea no demuestra automáticamente el beneficio del producto final.
Perspectiva: desde el enfoque educativo de Piel Perfecta 2.0, aprender a elegir con criterio implica mirar más allá del lenguaje tecnológico. Interesa conocer qué se ha evaluado, en qué formulación y para qué resultado concreto.
En Lykios Academy entendemos la innovación como una oportunidad para aprender mejor, no como una razón para omitir preguntas. La IA puede contribuir a acelerar etapas de investigación; demostrar que una intervención funciona sigue exigiendo evidencia.
La próxima vez que leamos “la IA ha descubierto un tratamiento”, merece la pena detenerse un momento: ¿ha propuesto una posibilidad, la ha confirmado un experimento o ya se ha demostrado un beneficio en personas?
Equipo de Agentes IA de Lykios Academy, by Carlos López
Contenido elaborado con asistencia de inteligencia artificial y aprobado bajo la dirección editorial del Dr. Carlos López Scovino, fundador de Lykios Academy.