Google lanza el motor de diseño de fármacos con IA IsoDDE: apodado "AlphaFold 4", con un rendimiento que supera a la generación anterior, pero ya no será de código abierto

Isomorphic Labs de Google, también dirigido por el CEO de DeepMind, Demis Hassabis, ha lanzado IsoDDE, una nueva generación de motor de diseño de fármacos con IA llamada “AlphaFold 4” de Nature.

Aplastó completamente a la generación anterior, pero eligió cerrarse por completo. La edad de oro de la IA para la ciencia puede estar cerrando sus puertas.

En 2024, Demis Hassabis subió al podio del Nobel gracias a AlphaFold.

Este modelo de IA, que puede predecir la estructura tridimensional de las proteínas, es utilizado por más de 3 millones de investigadores en más de 190 países, y es un ejemplo de referencia de cómo la IA beneficia a toda la humanidad.

El Comité Nobel otorga no tanto un algoritmo como un espíritu: poner las herramientas científicas más poderosas en manos de cada investigador de forma gratuita.

Dieciséis meses después, se presentó el sucesor de AlphaFold.

El 10 de febrero, Isomorphic Labs, una empresa farmacéutica de IA fundada por Hassabis, publicó un informe técnico de 27 páginas que presentaba un motor de diseño de fármacos llamado IsoDDE, que superó de manera contundente a AlphaFold 3 en rendimiento, evaluado por el biólogo computacional de la Universidad de Columbia Mohammed AlQuraishi como “un avance importante al nivel de AlphaFold 4”.

Pero esta vez, el código no se hará público, el artículo no se publicará y el método no será compartido.

Max Jaderberg, presidente de Isomorphic Labs, fue directo con Nature: No planeamos revelar la “receta secreta”.

La saga de código abierto de AlphaFold probablemente llegará a su fin en la tercera generación.

La habilidad es, sin duda, aterradora

Empecemos con lo que ha hecho IsoDDE, que ayuda a entender por qué la controversia es tan grande más adelante.

Para usar una analogía menos rigurosa: si piensas en la proteína como un candado, la molécula del fármaco es la clave. Lo que hace AlphaFold es ayudarte a ver cómo es esta cerradura.

Pero no basta con ver la cerradura: tienes que saber si la llave puede girar al insertarla, si está bien ajustada, o incluso si hay algún otro agujero de cerradura que no hayas notado en absoluto.

IsoDDE está respondiendo a estas preguntas más difíciles.

Es un motor unificado que integra capacidades como la predicción estructural, el cálculo de resistencia de unión y el descubrimiento oculto de sitios de unión.

Los números son muy intuitivos.

En una prueba específicamente para comprobar si la IA puede manejar estructuras proteicas “nunca antes” nuevas (benchmark Runs N’ Pose), IsoDDE tuvo más del doble de tasa de éxito que AlphaFold 3 (AF3) cuando la similitud entre la muestra de prueba y los datos de entrenamiento era tan baja como del 0 al 20% (que es el caso más difícil).

De los 60 casos más difíciles, 17 fueron fallos totales de AlphaFold 3 y IsoDDE lo hizo bien.

AlphaFold 3 falla en este ejemplo con IsoDDE correcto

En lo que respecta a la predicción de cómo los anticuerpos reconocen los objetivos, la tasa de éxito de predicción de alta precisión de IsoDDE es 2,3 veces superior a la de AlphaFold 3 y casi 20 veces la de Boltz-2, otro modelo de código abierto convencional.

Lo más sorprendente para los pares es la predicción de afinidad de enlace, es decir, determinar cuán estrechamente están unidas una molécula de fármaco y un objetivo.

Esta tarea tradicionalmente se ha basado en un método de simulación física llamado FEP, que es extremadamente costoso computacionalmente y requiere que el laboratorio proporcione estructuras cristalinas como punto de partida.

IsoDDE no solo superó a todos los métodos de IA en general, incluso a FEP, en múltiples pruebas públicas, y no requirió datos experimentales desde el principio.

También hay un caso especialmente hermoso en el informe técnico.

Existe una proteína llamada cereblon, y los científicos pasaron 15 años pensando que solo tenía un sitio de unión a un fármaco. No fue hasta principios de este año cuando un nuevo artículo descubrió experimentalmente un segundo sitio oculto de encuadernación.

Y IsoDDE acaba de introducir la secuencia de aminoácidos de esta proteína y encontró ambos sitios — incluido el que había estado oculto durante 15 años.

Los laboratorios hacen lo mismo con experimentos caros de inmersión en cristales y mucho tiempo. IsoDDE solo tarda unos segundos.

AlQuraishi dijo que lo que más le impresionó fue la capacidad de generalización de IsoDDE sobre sistemas moleculares completamente desconocidos, “lo que demuestra que debieron hacer algo muy novedoso.”

Código cerrado: La parte realmente perturbadora de la historia

Si IsoDDE es un software empresarial ordinario, el código cerrado es natural, no hay mucho que decir.

El problema es que su predecesor, el AlphaFold, representa un valor muy diferente.

AlphaFold 2 se volvió de código abierto en 2021, y el artículo que lo acompaña se publicó en Nature, y los resultados de la predicción son gratuitos y abiertos al mundo.

Esto va mucho más allá de la tecnología en sí: demuestra la posibilidad de que la investigación de IA de vanguardia financiada por gigantes tecnológicos pueda convertirse realmente en un bien público para toda la humanidad.

Más de 3 millones de científicos lo han utilizado para realizar sus propias investigaciones, numerosos proyectos se han acelerado y ríos enteros de la biología han cambiado su rumbo con él.

El AlphaFold 3 de 2024 también publicó artículos, y aunque la rapidez del código abierto ha generado controversia, finalmente está abierto a la comunidad académica.

IsoDDE rompe esta tradición.

El informe técnico de 27 páginas contiene casi ningún detalle sobre la arquitectura del modelo y la metodología de entrenamiento.

El subtítulo del informe de Nature es sencillo: los científicos “solo pueden especular sobre cómo se pueden lograr resultados similares.”

Las palabras de Jaderberg a Nature son intrigantes. Dijo que esperaba que el informe “inspirara” a otros equipos.

Pero la respuesta de AlQuraishi quizá sea más representativa de los verdaderos sentimientos de la academia: “El problema es que no conocemos los detalles.”

Algunas personas piensan que tiene sentido que Isomorphic Labs, como empresa comercial, proteja su tecnología central. Por supuesto que es cierto.

Pero merece la pena preguntarse: cuando la IA en el campo científico se vuelva más fuerte y concentrada en manos de unas pocas empresas, ¿quién decidirá cuán abiertas son estas capacidades?

Isomorphic Labs ha asegurado 600 millones de dólares en financiación y ha firmado un posible acuerdo de asociación de 3.000 millones de dólares con Eli Lilly y Novartis, con 17 canaletas de medicamentos en funcionamiento internamente.

Hassabis dijo en Davos en enero de este año que se espera que los primeros fármacos diseñados por IA entren en ensayos clínicos a finales de 2026.

La empresa está pasando de ser un instituto de investigación científica a una máquina comercial.

Diego del Alamo, biólogo estructural computacional en Takeda Pharmaceutical, señala otra sutileza: Isomorphic Labs ha invertido previamente mucho esfuerzo en trabajar con compañías farmacéuticas y puede haber obtenido una gran cantidad de datos experimentales privados.

Se desconoce cuánto contribuyen estos datos adicionales al rendimiento de IsoDDE.

Si la ventaja principal proviene de barreras de datos en lugar de innovación en algoritmos, entonces el llamado “incentivo” es más bien un gesto.

El bando del código abierto no está tirando la toalla

Los códigos cerrados generan ansiedad, pero también encienden la competencia.

Gabriele Corso, co-desarrollador de Boltz-2 y fundador de la empresa sin ánimo de lucro Boltz, es claro: no considera que los datos privados sean un factor clave, ya que aún hay mucho margen de mejora en los datos públicos.

IsoDDE establece una nueva base de rendimiento que “necesita ponerse al día y puede ser completamente superada”.

Otra empresa, Deep Origin, fue más destacada, emitiendo directamente un comunicado al día siguiente del lanzamiento de IsoDDE, indicando que su motor DODock ya había alcanzado niveles de rendimiento comparables en el mismo benchmark en agosto de 2025, utilizando una vía técnica completamente diferente.

La comunidad de código abierto no ha estado inactiva durante los últimos dos años. Tras el lanzamiento de AlphaFold 3, varios equipos han creado modelos de código abierto que se acercan o incluso lo superan parcialmente, incluyendo Boltz-1/2, Chai-1, Protinix y más.

El campo farmacéutico de la IA está repitiendo el guion en el ámbito de los grandes modelos de lenguaje: una empresa muestra resultados sorprendentes en código cerrado, y toda la comunidad de código abierto sigue rápidamente su ejemplo, reduciendo la brecha entre generaciones y poniéndose al día.

Pero aquí hay una diferencia clave.

Los datos de entrenamiento de los modelos de lenguaje: el texto de Internet, son un recurso público casi ilimitado.

Una parte considerable de los datos de entrenamiento de los fármacos de IA, especialmente los datos experimentales de alta calidad entre proteínas y fármacos, están en manos de las compañías farmacéuticas.

Si el foso del modelo de código cerrado se basa en datos privados, es mucho más difícil que el código abierto se ponga al día.

Puertas cerradas

Las implicaciones de esto pueden ir más allá del propio campo del descubrimiento de fármacos.

En los últimos años, “la IA de código abierto impulsa el progreso científico” ha sido una narrativa ampliamente aceptada. AlphaFold es la prueba más sólida de esta narrativa.

Cada vez que alguien pregunta a quién beneficia la investigación en IA de los gigantes tecnológicos, AlphaFold es la mejor respuesta — mira, 3 millones de científicos en todo el mundo lo están usando gratis.

Ahora, cuando los descendientes directos de AlphaFold deciden cerrar la fuente, esta narrativa ha sido desmontada.

Insinúa una posible dirección futura:

La IA, la herramienta más poderosa en el campo de la ciencia básica, ha pasado gradualmente de ser un bien público a un activo comercial;

Los resultados de avance se publican en forma de informes técnicos en lugar de artículos revisados por pares;

La academia puede ver los resultados, pero nunca los métodos.

Hassabis dijo una vez que la IA en la ciencia es una causa más rica que los modelos de lenguaje. Así es. Pero la premisa de la abundancia es la apertura.

Cuando la IA científica más potente solo está abierta a clientes que pagan, la gran mayoría de la comunidad científica solo puede observar desde fuera de la valla.

La Medalla Nobel de AlphaFold está grabada con el ideal de transmitir conocimiento a todos. El informe técnico de IsoDDE dice un futuro más sólido.

La distancia entre ambos es la elección que se está tomando en esta época.