La entrevista "The Hardest Problem AI Ever Solved, with Google DeepMind CEO", publicada por Cleo Abram el 7 de abril de 2026, volvió a poner a AlphaFold en el centro de la conversación. Demis Hassabis lo presenta como uno de los ejemplos más concretos de una idea grande: que la inteligencia artificial no solo escribe texto o genera imágenes, también puede empujar descubrimientos científicos reales.
Para entender por qué AlphaFold importa tanto, primero hay que entender tres cosas básicas: qué es una proteína, qué es un aminoácido y por qué la forma de una molécula puede cambiar el destino de una célula.
Demis Hassabis y John Jumper en la conferencia del Nobel 2024. Foto de Jennifer 8. Lee vía Wikimedia Commons, CC BY-SA 4.0.
Qué es una proteína
Las proteínas son las moléculas que hacen casi todo el trabajo importante dentro de los seres vivos. Algunas aceleran reacciones químicas, otras transportan sustancias, otras forman tejidos, otras detectan señales y otras ayudan a defender el cuerpo.
Una enzima es una proteína. Muchos anticuerpos son proteínas. Parte de tu piel, tus músculos y tu metabolismo dependen de proteínas. No son un detalle de la vida: son parte de la maquinaria central que la hace posible.
Según MedlinePlus Genetics, una proteína está formada por cientos o miles de unidades más pequeñas llamadas aminoácidos. Esas unidades se unen en cadena, y la secuencia exacta de esa cadena determina la estructura tridimensional final y, con ella, la función.
Qué es un aminoácido
Un aminoácido es, en términos simples, una pieza química que sirve para construir proteínas. MedlinePlus lo define como una molécula que se combina con otras para formar proteínas. Son los ladrillos; la proteína es el edificio terminado.
Hay 20 aminoácidos estándar que la biología usa para construir proteínas. La diferencia entre una proteína y otra no depende de tener "otro material" sino de dos cosas:
- qué aminoácidos aparecen;
- en qué orden aparecen.
Ese orden importa muchísimo. Cambiar una sola pieza en la cadena puede alterar la forma final y hacer que la proteína funcione peor, mejor o directamente deje de funcionar.
Diagrama de niveles de estructura proteica. Imagen de Thomas Shafee vía Wikimedia Commons, CC BY 4.0.
Por qué la forma de una proteína importa más que su lista de ingredientes
Una proteína va más allá de una cadena lineal. Después de formarse, esa cadena se pliega sobre sí misma y adopta una forma tridimensional. Esa forma es crucial porque determina con qué otras moléculas puede unirse y qué trabajo puede hacer.
Es el equivalente molecular de una llave: no alcanza con tener metal; hace falta tener la forma correcta. Si la forma está mal, la llave no entra. En biología pasa algo parecido. Una proteína mal plegada puede perder su función, activar la función incorrecta o estar asociada a enfermedad.
Por eso el problema nunca fue solamente "saber la secuencia" de una proteína. El problema real era entender qué estructura tridimensional emerge de esa secuencia.
Qué era el problema del plegamiento de proteínas
Durante más de 50 años, una de las grandes preguntas de la biología fue esta: si te doy la secuencia de aminoácidos de una proteína, ¿podés predecir la forma exacta que va a tomar?
La pregunta parece específica, pero es enorme. Una proteína mediana puede tener cientos de aminoácidos, y cada segmento puede adoptar muchos ángulos y posiciones posibles. La cantidad de configuraciones teóricas es gigantesca.
Los científicos podían averiguar estructuras con métodos experimentales como cristalografía de rayos X, resonancia magnética nuclear o criomicroscopía electrónica. El problema era la escala. El artículo de Nature de julio de 2021 señala que determinar experimentalmente la estructura de una sola proteína puede llevar meses o años, y que para entonces solo se habían resuelto alrededor de 100.000 estructuras únicas, una fracción mínima frente a los miles de millones de secuencias conocidas.
Eso convertía al plegamiento en un cuello de botella. La biología ya podía leer secuencias mucho más rápido de lo que podía entender estructuras.
Qué hizo AlphaFold exactamente
AlphaFold, desarrollado por DeepMind, logró predecir la estructura tridimensional de proteínas a partir de su secuencia de aminoácidos con una precisión que cambió el campo.
El salto se hizo visible en CASP14, la gran competencia internacional del área, celebrada en 2020. En el paper publicado en Nature el 15 de julio de 2021, el equipo explica que AlphaFold fue capaz de predecir estructuras con precisión cercana a la experimental en muchos casos, incluso cuando no había una estructura similar conocida para usar como molde.
Visualización de una proteína predicha por AlphaFold, coloreada por nivel de confianza de la predicción. Imagen de AlphaFold / AlphaFold DB vía Wikimedia Commons, CC BY-SA 4.0.
Eso no significa que la IA haya "simulado toda la vida" ni que haya resuelto todos los problemas de la biología. Lo que resolvió fue una parte decisiva del problema: la predicción de estructura. Y esa parte era justamente la que frenaba a miles de laboratorios.
Por qué AlphaFold fue tan importante
Porque convirtió una tarea lenta, costosa y especializada en algo mucho más accesible.
DeepMind y EMBL-EBI lanzaron la AlphaFold Protein Structure Database para compartir predicciones de forma abierta. Según Google DeepMind, la base ya reúne más de 200 millones de estructuras y es usada por más de 3 millones de investigadores en más de 190 países.
Eso cambia varias cosas al mismo tiempo:
- acelera investigación básica, porque los laboratorios pueden empezar con una estructura plausible en lugar de arrancar a ciegas;
- ayuda en descubrimiento de fármacos, porque conocer la forma de una proteína permite pensar mejor cómo bloquearla, activarla o modificar su interacción con otras moléculas;
- beneficia enfermedades desatendidas, donde muchas veces no sobra ni tiempo ni presupuesto para años de trabajo estructural;
- abre caminos en agricultura, enzimas industriales y biotecnología, porque el mismo problema estructural aparece en casi toda la biología.
La importancia de AlphaFold no está en que "cura enfermedades por sí solo". Está en que ahorra una cantidad masiva de tiempo antes de llegar a la parte difícil del trabajo experimental.
Lo que AlphaFold no hace
También conviene bajar un poco el volumen del hype.
AlphaFold no reemplaza automáticamente el laboratorio. Una proteína no vive aislada: interactúa con otras proteínas, con ADN, con ARN, con membranas, con drogas y con el entorno químico de la célula. Además, no toda predicción tiene la misma confianza.
Por eso el avance fue histórico sin ser mágico. Los científicos siguen necesitando validar, probar, comparar y entender contexto biológico real. AlphaFold no reemplazó la biología. Le sacó de encima uno de sus cuellos de botella más duros.
Por qué este caso importa también para pensar la IA
La mayoría de la gente asocia IA con chatbots, asistentes o generadores de imágenes. AlphaFold mostró otra cosa: que una red entrenada con datos biológicos y conocimiento estructural puede producir una herramienta científica real, con impacto fuera de la pantalla.
Por eso el caso es tan citado. No fue una demo simpática. Fue una intervención concreta sobre un problema que venía trabando a un campo entero.
Cuando Hassabis dice que este fue uno de los problemas más duros que la IA resolvió hasta ahora, no está exagerando demasiado. Si sabés qué es una proteína y por qué su forma decide su función, entendés rápido por qué AlphaFold se volvió uno de los hitos científicos de la década.
Imagen: Representación visual de una estructura proteica plegada en tres dimensiones.
Fuente original: Google DeepMind — AlphaFold · Nature — Highly accurate protein structure prediction with AlphaFold · AlphaFold Protein Structure Database · MedlinePlus Genetics — What are proteins and what do they do? · MedlinePlus — Amino acids
