Para comprender el desafío que enfrentan los investigadores, primero se debe entender la pura complejidad de las moléculas que componen la vida. Las proteínas, el ADN y el ARN no son estatuas estáticas, sino máquinas tridimensionales intrincadas construidas a partir de cadenas de unidades químicas más pequeñas. Su función depende enteramente de cómo estas cadenas se pliegan y retuercen en el espacio, acercando átomos específicos unos a otros. Durante décadas, los científicos han luchado por predecir estas formas basándose únicamente en el código químico. El problema es que el número de formas en que una cadena puede plegarse es astronómico, y calcular la posición precisa de cada átomo individual en una molécula grande es computacionalmente abrumador. Los métodos tradicionales suelen simplificar el problema ignorando los detalles finos de los átomos individuales, centrándose en su lugar en el esqueleto de la cadena, lo que puede omitir interacciones críticas que determinan cómo un fármaco se une a un objetivo o cómo funciona una enzima.

Un equipo de investigadores ha desarrollado ahora un nuevo enfoque que cierra la brecha entre las descripciones químicas de alto nivel y la realidad precisa, átomo por átomo, de las estructuras moleculares. Crearon un sistema que traduce la geometría continua y fluida de una molécula en un conjunto de símbolos discretos y manejables, de forma muy similar a convertir una melodía compleja en una secuencia de notas musicales. Al comprimir la forma detallada de una molécula en un vocabulario de 8.192 tokens únicos, pudieron entrenar una potente inteligencia artificial para predecir estos símbolos basándose únicamente en la identidad química de la molécula. Una vez que la IA predice la secuencia de símbolos, una segunda parte de su sistema los expande de nuevo en un modelo tridimensional completo que contiene cada átomo pesado. Este método permite que la computadora aprenda las reglas del plegamiento molecular sin empantanarse en el enorme volumen de datos brutos, logrando un nivel de precisión que rivaliza con las herramientas existentes más avanzadas.

El núcleo de este logro es una herramienta que llaman "tokenizador de estructura de todos los átomos" (all-atom structure tokenizer). Imagine intentar describir la forma de una escultura compleja a un amigo por teléfono. Si intentara enumerar las coordenadas de cada uno de los puntos de la superficie, la conversación nunca terminaría. En su lugar, podría describir la escultura en términos de sus componentes principales —una cabeza, un torso, brazos— y cómo se conectan. Este equipo hizo algo similar para las moléculas. Descompusieron proteínas, ADN y pequeñas moléculas de tipo fármaco en unidades químicas estándar. Para una proteína, una unidad es un residuo de aminoácido único; para el ADN, es un nucleótido; para una pequeña molécula de fármaco, es un solo átomo pesado. Luego construyeron una red neuronal que observa el ensamblaje completo de estas unidades, comprendiendo cómo se relacionan entre sí en el espacio, y convierte esa disposición espacial en una cadena corta de números.

Este proceso de conversión es el "tokenizador". Toma las coordenadas continuas y flotantes de los átomos y las comprime en un conjunto fijo de 8.192 códigos posibles. Los investigadores utilizaron una técnica llamada cuantización escalar finita, que actúa como una regla de alta precisión que ajusta cualquier medida a la línea marcada más cercana en una cuadrícula. Esto asegura que las complejas e infinitas posibilidades de las formas moleculares se reduzcan a un vocabulario finito y manejable. Crucialmente, este proceso preserva la identidad química de la molécula. El sistema sabe que un token específico representa un aminoácido particular con una cadena lateral específica, o un átomo específico en una molécula de fármaco, sin necesidad de almacenar las coordenadas exactas en el propio token. Las coordenadas se recuperan más tarde, después de que se ha predicho la secuencia de tokens.

Con este tokenizador ya implementado, los investigadores entrenaron un modelo de lenguaje de gran tamaño, al que llamaron AtomLM-9b, para predecir estos tokens estructurales. Este modelo se basa en una arquitectura de IA potente ya existente, pero ha sido adaptado para comprender la química. En lugar de leer oraciones y predecir la siguiente palabra, lee la identidad química de una molécula —la lista de átomos y cómo están unidos— y predice la secuencia de tokens estructurales que describen su forma 3D. El modelo no ve la estructura 3D final durante el entrenamiento; solo ve la receta química y aprende a producir la secuencia correcta de tokens. Una vez que el modelo genera esta secuencia, el compañero del tokenizador, el "des-tokenizador", toma el relevo. Lee la secuencia de tokens, junto con la información química original, y reconstruye las coordenadas 3D completas de cada átomo de la molécula. Este proceso de dos pasos separa la tarea de comprender la secuencia de la tarea de dibujar la forma, permitiendo que cada parte se optimice de forma independiente.

Los resultados de este enfoque son sorprendentes. Cuando se probó en un conjunto estándar de estructuras proteicas utilizado para evaluar herramientas de predicción, el sistema alcanzó una puntuación de precisión de todos los átomos de 0,832 en un banco de pruebas principal y de 0,835 en otro. Estas puntuaciones indican que las estructuras reconstruidas están extremadamente cerca de las formas reales observadas experimentalmente. En una comparación directa en un conjunto específico de tareas de interacción proteína-proteína, el nuevo modelo logró una tasa de éxito del 75,01%, superando ligeramente los resultados publicados de AlphaFold 3, que se situaban en el 72,93%. El modelo también mostró un sólido rendimiento en la predicción de las formas del ADN y el ARN, así como en la determinación de cómo las pequeñas moléculas de fármacos se unen a las proteínas, áreas donde otros modelos a veces presentan dificultades.

Los investigadores fueron cuidadosos al probar el sistema bajo condiciones estrictas para asegurar que los resultados fueran genuinos. Entrenaron el modelo en una vasta colección de estructuras moleculares conocidas, pero excluyeron los casos de prueba específicos del entrenamiento para evitar que el modelo simplemente memorizara las respuestas. También verificaron que el modelo podía manejar mezclas complejas de diferentes tipos de moléculas, como una proteína unida a un fragmento de ADN y una pequeña molécula de fármaco, todo al mismo tiempo. El sistema predijo con éxito las formas de estos ensamblajes complejos, demostrando que el vocabulario compartido de tokens funciona a través de diferentes tipos de química. El modelo no depende de plantillas estructurales preexistentes ni de alineamientos de secuencias múltiples, que suelen utilizarse en otros métodos para aumentar la precisión. En su lugar, aprende las reglas físicas del plegamiento directamente de los datos.

Uno de los aspectos más significativos de este trabajo es la claridad de la interfaz entre el modelo de lenguaje y la estructura física. Al utilizar un conjunto discreto de tokens, los investigadores crearon un límite limpio donde la IA predice una secuencia, y un proceso separado y determinista convierte esa secuencia en un modelo 3D. Esta separación permite una evaluación rigurosa de qué tan bien entiende la IA la relación entre la química y la forma. El estudio demuestra que este enfoque discreto no es solo un ejercicio teórico, sino un método práctico que puede generar estructuras atómicas de alta fidelidad. La capacidad del modelo para predecir las posiciones de las cadenas laterales y los átomos de ligandos con alta precisión sugiere que ha aprendido las sutiles restricciones geométricas que gobiernan las interacciones moleculares.

El equipo también exploró los límites de su sistema mediante una serie de pruebas en las que eliminaron componentes específicos para ver cuánto contribuía cada parte al resultado final. Descubrieron que la forma jerárquica en que el modelo procesa la información, pasando de átomos individuales a unidades químicas y luego al ensamblaje completo, era esencial para la precisión. También descubrieron que la capacidad de refinar las posiciones de los átomos a través de diferentes unidades —permitiendo que un residuo de proteína ajuste su forma basándose en una molécula de fármaco cercana— era crítica para lograr las poses de unión correctas. Sin estos refinamientos, la capacidad del modelo para predecir cómo interactúan las moléculas caía significativamente. Estos hallazgos confirman que el sistema no está simplemente adivinando, sino que está capturando la realidad física del ensamblaje molecular.

Si bien el sistema es altamente preciso, los investigadores reconocen que no es perfecto. El vocabulario finito significa que algunas configuraciones químicas muy raras o inusuales podrían no estar representadas con tanta precisión como las comunes. El modelo se centra en los átomos pesados y actualmente no predice las posiciones de los átomos de hidrógeno ni los efectos del entorno de agua circundante, que son importantes para algunas cuestiones biológicas específicas. Sin embargo, para la gran mayoría de las tareas de biología estructural, el nivel de detalle proporcionado es suficiente para comprender cómo funcionan las moléculas. El éxito de este enfoque sugiere que tratar la geometría molecular como un lenguaje, con un vocabulario compartido para diferentes tipos de unidades químicas, es una forma poderosa de resolver el problema de la predicción de estructuras.

Este trabajo representa un cambio en la forma en que los científicos abordan el problema del modelado molecular. En lugar de intentar calcular las fuerzas entre cada átomo en una única y masiva simulación, los investigadores han demostrado que un modelo de lenguaje puede aprender los patrones de las formas moleculares y generarlas de manera eficiente. La combinación de un tokenizador que comprime la geometría y un modelo de lenguaje que predice la secuencia ofrece un nuevo camino a seguir. Demuestra que la complejidad de los bloques de construcción de la vida puede capturarse en una forma compacta y discreta, y que la inteligencia artificial puede aprender a navegar esta forma con un alto grado de precisión. Los resultados proporcionan una nueva herramienta para el descubrimiento de fármacos y la investigación biológica, ofreciendo una forma de predecir las formas de moléculas que nunca han sido vistas antes, basándose únicamente en su composición química.