Investigadores del Instituto de Química Orgánica de Shanghai de la Academia de Ciencias de China han desarrollado un modelo de inteligencia artificial generativa que predice las interacciones proteína-proteína con resolución atómica, según un estudio publicado en Proceedings of the National Academy of Sciences (PNAS) el 9 de junio de 2026. El modelo, llamado Void-X, adopta un enfoque fundamentalmente diferente para el diseño de proteínas al construir interfaces a partir de átomos individuales hacia arriba en lugar de esculpir primero una forma general de proteína.
El trabajo, dirigido por los Dres. Yang Jing, Yuan Junying y James J. Chou, fueron destacados por la Academia de Ciencias de China y reportados por Phys.org. Agrega una nueva herramienta a un campo en rápida evolución en el que la IA se utiliza cada vez más para diseñar las máquinas moleculares que sustentan los medicamentos, los materiales y la biología sintética. Para más contexto sobre esta historia, consulta nuestra cobertura de la industria de IA.
Por qué son importantes las interacciones proteína-proteína
Las proteínas son los caballos de batalla moleculares del cuerpo humano. Construyen tejidos, transportan moléculas, regulan la comunicación celular y defienden contra infecciones. Muchos de los medicamentos más importantes, incluidas las terapias con anticuerpos para el cáncer y la insulina para la diabetes, funcionan interactuando con proteínas específicas o reemplazando las que faltan o funcionan mal.
Debido a que muchos procesos biológicos dependen de cómo se unen las proteínas entre sí, la capacidad de predecir y diseñar con precisión las interacciones proteína-proteína podría acelerar el descubrimiento de fármacos y abordar necesidades médicas no satisfechas. Los avances aquí también complementan los rápidos avances en las tecnologías de administración, como los vectores de virus adenoasociados y las nanopartículas lipídicas de ARNm, que transportan moléculas terapéuticas al interior de las células.
Un enfoque ascendente en lugar de de arriba hacia abajo
La mayoría de los marcos de IA existentes para el diseño de proteínas siguen una estrategia de arriba hacia abajo: primero generan una estructura proteica general que se ajusta a un sitio objetivo y luego diseñan una secuencia para optimizar la unión. Void-X invierte esa lógica.
El modelo es un sistema de llenado atómico. Está capacitado para reconocer patrones de interacción a escala atómica y llenar los "vacíos" (los huecos) dentro de las interfaces de las proteínas. Su suposición rectora es que los complejos macromoleculares estables se mantienen unidos mediante un empaquetamiento atómico óptimo, que surge de las interacciones locales entre átomos vecinos, así como de acoplamientos de orden superior con otros más distantes. En lugar de diseñar una forma de proteína completa, Void-X genera directamente grupos atómicos compactos optimizados para un empaquetamiento apretado dentro de una región estructural específica, lo que le da al diseño una base físicamente sólida.
Entrenado en ocho millones de cúmulos atómicos.
Para entrenar Void-X, los investigadores reunieron un conjunto de datos de más de ocho millones de grupos atómicos esféricos extraídos de estructuras determinadas experimentalmente depositadas en el Banco de Datos de Proteínas. Para cada grupo, aproximadamente el 30% de los átomos periféricos espacialmente contiguos estaban enmascarados, mientras que los átomos restantes sirvieron como el "contexto" (en realidad, un mensaje) que el modelo utilizó para predecir los átomos faltantes.
La red resultante contiene 172 millones de parámetros y logró una gran precisión predictiva: 78,3% para los grupos atómicos dentro de la cadena y 68,2% para los grupos entre cadenas, informaron los investigadores.
Qué significa para el descubrimiento de fármacos y más allá
Según los autores, estas capacidades permiten la generación de novo de interacciones de proteínas de resolución atómica, ofreciendo lo que describen como una ruta complementaria y físicamente intuitiva para el diseño de proteínas. Al combinar detalles a nivel atómico con modelado generativo, Void-X amplía el conjunto de herramientas para diseñar interfaces biomoleculares de forma racional.
Esto es importante porque el diseño de la interfaz se encuentra en el corazón del desarrollo de fármacos modernos. Mejores herramientas computacionales para predecir cómo una molécula candidata se unirá a su proteína objetivo pueden acortar el camino de la idea a la terapia, reducir la dependencia de costosos experimentos de prueba y error y facilitar el diseño de proteínas para funciones completamente nuevas en biología sintética.
Un campo en crecimiento
Void-X llega en medio de una oleada de trabajo con proteínas impulsado por IA. Desde la predicción de estructuras hasta el diseño generativo de todos los átomos, los investigadores están avanzando constantemente hacia la capacidad de modelar interacciones biomoleculares con resolución atómica completa. Los sistemas generativos anteriores de átomos ya han demostrado la viabilidad de diseñar y predecir interacciones a esa escala, y Void-X contribuye con una estrategia distinta de empaquetar primero al mismo esfuerzo.
El truco de enmascaramiento que lo hace funcionar
El método de entrenamiento de Void-X toma prestada una página del manual del modelo de lenguaje. Al enmascarar aproximadamente el 30% de los átomos en cada grupo de entrenamiento y pedirle al modelo que los infiriera del contexto circundante, los investigadores convirtieron la biología estructural en una tarea de llenar espacios en blanco: el mismo principio que permite a los modelos de lenguaje grandes predecir las palabras que faltan en una oración. La diferencia es que el "vocabulario" de Void-X consiste en átomos dispuestos en un espacio tridimensional, y la gramática que aprende refleja las reglas de empaquetamiento físico que gobiernan cómo se pliegan y unen las proteínas reales.
Ese entrenamiento consciente de la estructura es lo que separa a Void-X de los enfoques que tratan las proteínas como secuencias planas de aminoácidos. Debido a que el modelo razona simultáneamente sobre acoplamientos atómicos locales y de largo alcance, puede proponer geometrías de interfaz que respeten las limitaciones físicas de un complejo estable, en lugar de producir diseños de apariencia plausible pero biológicamente inestables.
Límites y preguntas abiertas
Los resultados son prometedores, pero los investigadores son sinceros en cuanto a que persisten desafíos. La precisión entre cadenas del 68,2% (relevante para los complejos multiproteicos que definen la mayoría de los objetivos farmacológicos del mundo real) es significativamente menor que la cifra intracadena, lo que refleja la mayor dificultad de modelar cómo se unen dos moléculas separadas. Diseñar una interfaz que se una estrechamente a un modelo computacional también es sólo el primer paso; Los candidatos aún deben sintetizarse y validarse experimentalmente, y las interacciones previstas pueden fallar en el entorno más desordenado de una célula viva.
Ampliar los datos de entrenamiento, refinar el manejo del modelo de regiones proteicas flexibles o desordenadas e integrar Void-X con sistemas complementarios de arriba hacia abajo son probablemente los próximos pasos. Los autores enmarcan su contribución como una tecnología complementaria y no de reemplazo: una opción basada físicamente que se puede combinar con los andamios existentes a medida que el campo avanza hacia un diseño molecular confiable de extremo a extremo.
Una tendencia más amplia
El estudio, publicado bajo DOI 10.1073/pnas.2607035123, señala que la competencia para construir herramientas de diseño molecular cada vez más precisas ya está en marcha, y que la IA generativa se está convirtiendo en una parte indispensable del banco de trabajo del bioquímico. A medida que modelos como Void-X reducen la brecha entre la computación y el laboratorio, la esperanza es que los investigadores puedan diseñar nuevas terapias, enzimas y materiales de manera más rápida y racional que nunca.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
