AlphaFold 2
Etapa 4 · Aprendizaje profundo y modelos fundacionales (2012–2021) › IA para la ciencia
- Linaje
- Acción en el mundo
- Tipo
- Aplicación
Quién
DeepMind
Qué ocurrió
AlphaFold 2 gana CASP14 con la mejor predicción en 88 de los 97 objetivos y una puntuación GDT mediana de 92,4 sobre 100, una precisión que en muchos casos se acerca a la de los métodos experimentales.
Qué aportó
Un modelo de extremo a extremo, basado en la atención, predice la forma de las proteínas con una precisión que cambia la biología estructural.
Desarrollo
AlphaFold 1 dependía de un proceso en dos fases: la red predecía distancias y otro programa buscaba después una estructura compatible con ellas. Para CASP14, el equipo sustituyó todo eso por un sistema de subredes conectadas que forman un único modelo diferenciable, entrenado de extremo a extremo para producir directamente la estructura.
El modelo usa módulos de atención que refinan en varias pasadas la información sobre cada par de aminoácidos y sobre secuencias emparentadas de la misma proteína en otras especies. La red aprende a la vez qué aminoácidos están cerca unos de otros y cómo se colocan en el espacio.
En noviembre de 2020 AlphaFold 2 dio la mejor predicción en 88 de los 97 objetivos de CASP14, con una puntuación GDT mediana de 92,4 sobre 100. El biólogo estructural y premio Nobel Venki Ramakrishnan lo llamó un avance asombroso en el problema del plegamiento de proteínas.
No resolvía el problema del todo. Predice peor las regiones desordenadas, que no tienen una forma fija, y tiene dificultades con proteínas que adoptan varias formas o forman complejos. Pero en cuatro años sus autores recibirían el Nobel de Química: en 2024, Demis Hassabis y John Jumper compartieron la mitad del premio por la predicción de estructuras de proteínas, y la otra mitad fue para David Baker, por el diseño computacional de proteínas.
Vídeos
- AlphaFold: The making of a scientific breakthrough (se abre en una pestaña nueva) (Google DeepMind · en inglés)
Viene de
Transformer (12 de junio de 2017)
Herencia sin relación directa demostrada
Los bloques Evoformer de AlphaFold 2 se basan en la atención y su módulo de estructura usa un «Transformer equivariante»; el artículo no presenta su diseño como una adaptación directa del Transformer
AlphaFold 1 (diciembre de 2018)
Herencia sin relación directa demostrada
Mismo equipo de DeepMind; el artículo de AlphaFold 2 lo describe como «un modelo completamente distinto» del sistema de CASP13
Lleva a
AlphaFold 3 (8 de mayo de 2024), Nobel de Química a Hassabis, Jumper y Baker (9 de octubre de 2024)
Influencia directa documentada
AlphaFold 3 sustituye el Evoformer de AlphaFold 2 por el Pairformer y añade un módulo de difusión; el Nobel premia a Hassabis y Jumper por AlphaFold 2
RoseTTAFold (15 de julio de 2021)
Convergencia independiente
El laboratorio de Baker llegó por su cuenta a un rendimiento cercano al que DeepMind había mostrado en CASP14, antes de que se publicara el método; los dos artículos salieron el mismo día
Hilos que pasan por aquí
- De la proteína al Nobel (paso 3 de 4)
Bibliografía
Fuente original
- Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), pp. 583-589 (se abre en una pestaña nueva). John Jumper, Richard Evans, Alexander Pritzel y otros, 2021. licencia libre: CC BY 4.0
Estudios y contexto
- The Nobel Prize in Chemistry 2024 (nobelprize.org) (se abre en una pestaña nueva). Fundación Nobel, 2024
Cómo citar
«AlphaFold 2». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/alphafold-2
Última revisión de esta ficha: 13 de noviembre de 2026.