Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

Protenix-v1 es el primer modelo de código abierto que supera el rendimiento de AlphaFold3 en la predicción de estructuras biomoleculares, ofreciendo mejoras mediante la escalabilidad en la inferencia, soporte para plantillas de proteínas y ARN, y un conjunto de datos actualizado, todo ello respaldado por nuevas herramientas de evaluación más transparentes.

Lo esencial

¡Hola! Imagina que el cuerpo humano es una ciudad gigante llena de edificios (las proteínas) y máquinas (el ARN y el ADN). Para que esta ciudad funcione, necesitamos saber exactamente cómo se ven y cómo se encajan estas piezas. Durante años, solo un "genio" privado llamado AlphaFold3 podía predecir con gran precisión la forma de estos edificios, pero su plano estaba cerrado: nadie podía ver cómo lo hacía ni usarlo libremente.

Aquí es donde entra Protenix-v1, el nuevo héroe de este paper.

🌟 ¿Qué es Protenix-v1?

Piensa en Protenix-v1 como un arquitecto de código abierto que acaba de superar al genio privado.

• La hazaña: Logró predecir la forma de las proteínas tan bien (o incluso mejor) que AlphaFold3, pero con las mismas reglas: usó la misma cantidad de datos antiguos, el mismo tamaño de "cerebro" y el mismo presupuesto de energía.
• La diferencia clave: ¡Es totalmente gratis y abierto para todos! Es como si alguien hubiera abierto las puertas de la biblioteca de planos más importante del mundo y dicho: "Tomen, ahora todos pueden construir".

🎲 El truco de la "Suerte" (Escalado en tiempo de inferencia)

Una de las cosas más fascinantes que descubrieron es cómo trabaja Protenix-v1. Imagina que tienes que adivinar la forma de un edificio complejo (como un anticuerpo, que es como un soldado del cuerpo).

• Antes: Si le pedías a otros arquitectos de código abierto que hicieran el dibujo una vez, a veces acertaban, a veces fallaban.
• Ahora con Protenix: Si le dices: "Haz 100 intentos diferentes y elige el mejor", la calidad del dibujo mejora drásticamente. Es como si el arquitecto pudiera "pensar" varias veces antes de entregar el plano. Cuanto más tiempo y energía inviertes en generar opciones, mejor es el resultado final. Esto es algo que antes solo hacía el modelo privado, pero ahora Protenix lo hace también.

🧩 Las nuevas herramientas

Además de ser más preciso, Protenix-v1 tiene herramientas nuevas en su caja de herramientas:

1. Plantillas: Si ya ha visto un edificio similar antes, puede usarlo de referencia para construir el nuevo más rápido.
2. Soporte para ARN: Antes, solo miraba las proteínas. Ahora también entiende el ARN (el mensajero de la célula), lo que le permite predecir cómo interactúan las proteínas con este mensajero.

🚀 Dos versiones para dos mundos

Los creadores lanzaron dos versiones del arquitecto:

1. Protenix-v1 (La versión de comparación): Es la versión "pura" que usa datos antiguos para demostrar que es justo y transparente. Sirve para decir: "Miren, somos tan buenos como el privado sin usar datos nuevos".
2. Protenix-v1-20250630 (La versión de la vida real): Esta es la versión "superpoderosa" para el mundo real. Se entrenó con datos mucho más recientes (hasta junio de 2025). Si eres un científico buscando una cura para una enfermedad hoy, usa esta versión. Tiene "memoria" de estructuras que se descubrieron ayer, lo que la hace increíblemente útil para la industria farmacéutica.

📏 Limpiando el campo de juego

El paper también critica cómo se han estado midiendo los resultados antes.

• El problema: Antes, algunos modelos se evaluaban en preguntas que otros no podían responder (porque se quedaban sin memoria o fallaban), lo que hacía que las comparaciones fueran injustas. Era como una carrera donde algunos corredores corrían por un camino llano y otros por un camino lleno de baches, pero se comparaban sus tiempos.
• La solución: Protenix creó un nuevo sistema de evaluación (como un árbitro muy estricto) que asegura que todos los modelos compitan en el mismo terreno, usando los mismos datos y contando solo los intentos exitosos de todos. Esto hace que los resultados sean honestos y transparentes.

En resumen

Protenix-v1 es un gran paso adelante. Ha demostrado que no necesitas ser una empresa gigante con secretos para tener la mejor tecnología. Es una herramienta abierta, más inteligente, que puede pensar varias veces para darte la mejor respuesta, y que está lista para ayudar a los científicos a descubrir nuevos medicamentos y entender la vida misma.

Es como pasar de tener un mapa dibujado a mano en un castillo privado, a tener un GPS de alta precisión disponible para todo el mundo, que además se vuelve más inteligente cuanto más lo usas.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction", estructurado según los puntos solicitados.

1. El Problema

A pesar del rápido crecimiento del ecosistema de modelos de código abierto para la predicción de estructuras biomoleculares, persiste una brecha de rendimiento significativa entre estas implementaciones y AlphaFold3 (un modelo de código cerrado). Además, la naturaleza opaca de los modelos cerrados dificulta las comparaciones sistemáticas y las evaluaciones imparciales.

Existen desafíos específicos en la evaluación actual:

• Sesgo en los conjuntos de datos: Muchos benchmarks (como FoldBench) sufren de cobertura de datos inconsistente entre modelos debido a fallos de inferencia (ej. errores de memoria), lo que lleva a comparaciones injustas.
• Falta de escalabilidad en tiempo de inferencia: Los modelos de código abierto anteriores carecían de la capacidad de mejorar consistentemente su precisión aumentando el presupuesto de muestreo (inferencia), una característica clave observada en AlphaFold3.
• Limitaciones en aplicaciones reales: La necesidad de modelos que no solo sean precisos en benchmarks controlados, sino que también funcionen bien en escenarios de descubrimiento de fármacos con datos recientes.

2. Metodología

El equipo de Protenix desarrolló Protenix-v1, un modelo completamente abierto diseñado para igualar o superar a AlphaFold3 bajo condiciones controladas estrictas.

• Configuración de Entrenamiento y Comparación:
  • Se adhiere estrictamente al mismo corte de datos de entrenamiento, tamaño del modelo y presupuesto de inferencia que AlphaFold3 para garantizar una comparación justa.
  • Se liberó una variante adicional, Protenix-v1-20250630, entrenada con un conjunto de datos más grande y reciente (corte: 30 de junio de 2025) para optimizar el rendimiento en aplicaciones prácticas.
• Arquitectura y Características:
  • Utiliza una configuración de inferencia basada en difusión, alineada con los hiperparámetros de AlphaFold3.
  • Incorpora características de entrada avanzadas: integración de plantillas de proteínas y soporte para MSA (Multiple Sequence Alignment) de ARN.
  • Incluye un pipeline de procesamiento de datos mejorado con destilación enfocada en desorden y destilación a gran escala de monómeros basada en MGnify.
• Estrategia de Evaluación y Nuevos Benchmarks:
  • Identificaron limitaciones en los benchmarks existentes (como la falta de intersección común de muestras válidas) y construyeron suites de evaluación estratificadas por año (PXM-2024, PXM-2025, PXM-22to25).
  • Implementaron protocolos de bootstrapping (muestreo con reemplazo) utilizando múltiples semillas aleatorias (hasta 20 o 100 semillas) para mitigar la varianza estocástica, especialmente en dominios con pocos datos como complejos anticuerpo-antígeno.
  • Corrigieron los resultados de FoldBench calculando métricas solo sobre la intersección común de muestras evaluadas exitosamente por todos los modelos.

3. Contribuciones Clave

1. Protenix-v1: El primer modelo de código abierto totalmente abierto que alcanza o supera el rendimiento de AlphaFold3 bajo condiciones de comparación controladas (mismo corte de datos, escala y presupuesto).
2. Comportamiento de Escalado en Tiempo de Inferencia: Demostraron que Protenix-v1 exhibe una mejora log-lineal en la precisión al aumentar el presupuesto de muestreo (número de candidatos generados), una propiedad que antes era exclusiva de modelos cerrados como AlphaFold3.
3. Herramientas de Evaluación Mejoradas:
   • Liberación de PXMeter (v1.0.0) y suites de benchmarks actualizados (PXM-2024, PXM-2025, PXM-22to25) para una evaluación más robusta y transparente.
   • Corrección de métricas en FoldBench para eliminar sesgos por cobertura de datos desigual.
4. Variantes para Casos de Uso:
   • Protenix-v1: Optimizado para comparaciones científicas estrictas.
   • Protenix-v1-20250630: Optimizado para aplicaciones del mundo real (descubrimiento de fármacos) aprovechando datos estructurales más recientes.
5. Soporte Multidominio: Integración nativa de ARN, ADN, ligandos y complejos de anticuerpos, superando las limitaciones de modelos anteriores en estos dominios.

4. Resultados

Los resultados se evaluaron en múltiples dominios (monómeros, interacciones proteína-proteína, anticuerpo-antígeno, ligandos, ARN, ADN):

• Rendimiento General (FoldBench y PXM): Protenix-v1 supera consistentemente a los modelos de código abierto existentes (Chai-1, Boltz-1, Boltz-2) y a su predecesor (Protenix-v0.5.0).
  • En FoldBench (intersección común), Protenix-v1 supera a AlphaFold3 en la predicción de interfaces proteína-proteína y anticuerpo-antígeno, aunque AlphaFold3 mantiene una ligera ventaja en acoplamiento proteína-ligando y proteína-ADN.
  • En PXM-2024, Protenix-v1 muestra una mejora relativa de aproximadamente el 10% sobre los mejores modelos de código abierto en la predicción de interfaces proteína-proteína.
• Escalado de Inferencia: En el conjunto de datos PXM-22to25-Antibody, aumentar el muestreo de 1 semilla a 100 semillas elevó la tasa de éxito (DockQ SR) del 36.01% al 47.68%, demostrando una clara relación entre costo computacional y precisión.
• Selección por Confianza: El cabezal de confianza del modelo (ipTM, pTM) permite seleccionar estructuras de alta calidad, mejorando la mediana de rendimiento entre un 10% y un 30% en complejos anticuerpo-antígeno.
• Filtrado de Diseños: En tareas de diseño de uniones (binders), Protenix-v1 logró las puntuaciones AUC (Área bajo la curva) más altas en la mayoría de los objetivos, superando a Chai-1 y Boltz-1, lo que lo convierte en un filtro superior para identificar diseños exitosos.
• Variantes Recientes: La versión Protenix-v1-20250630 mostró mejoras significativas en tareas de anticuerpo-antígeno en datos de 2025 (PXM-2025H2), destacando el valor de la escala de datos en regímenes con pocos datos.

5. Significado

Este trabajo establece un nuevo estándar para la predicción de estructuras biomoleculares de código abierto:

• Cierre de la Brecha: Demuestra que la brecha de rendimiento entre los modelos abiertos y los modelos cerrados de vanguardia (AlphaFold3) no es fundamental, sino que puede superarse con metodologías adecuadas.
• Transparencia y Reproducibilidad: Al corregir los sesgos en los benchmarks existentes y proporcionar herramientas de evaluación estandarizadas, el equipo facilita comparaciones justas y fiables en la comunidad científica.
• Viabilidad Práctica: La capacidad de escalar la precisión mediante el presupuesto de inferencia y la liberación de una variante entrenada con datos recientes hacen que Protenix-v1 sea una herramienta robusta no solo para la investigación básica, sino también para aplicaciones críticas como el descubrimiento de fármacos y el diseño de proteínas.
• Fundamento para el Futuro: Proporciona una base sólida para futuras investigaciones en inferencia escalable, metodologías de evaluación y despliegue en el mundo real, posicionando a Protenix como un referente en la serie de modelos abiertos.