SandIA (Buenos Aires, 12 de septiembre de 2026).- Un experimento difundido en redes sociales propone usar una simulación basada en el sistema nervioso de una mosca de la fruta para procesar estructuras de proteínas. La demostración, atribuida a un desarrollo asistido por GPT-6 Astra, fue presentada como una prueba sobre el anticuerpo identificado en el Protein Data Bank como 1IGT y volvió a colocar en circulación el concepto de cerebro sintético.
El origen: el connectoma MaleCNS v1.0
La experiencia se inscribe en una secuencia de proyectos surgidos después de la difusión de MaleCNS v1.0, un mapa de conexiones —o connectoma— del sistema nervioso central de una mosca macho de la especie Drosophila melanogaster. Ese mapa reúne cerca de 166.700 neuronas y un volumen muy superior de conexiones entre ellas. El interés científico del dataset reside en que permite estudiar y simular, con un nivel inédito de detalle anatómico, la arquitectura de una red nerviosa completa y relativamente pequeña.
La prueba sobre el anticuerpo 1IGT
El experimento sobre proteínas toma esa arquitectura como punto de partida. Según el posteo difundido por Zentrix, el sistema recibe información vinculada con la estructura proteica, la transforma en señales para una red neuronal inspirada en el connectoma y utiliza la actividad resultante para generar una salida relacionada con el plegamiento o la forma tridimensional de una proteína. La prueba mostrada se refiere a 1IGT, una estructura conocida del Protein Data Bank correspondiente a un complejo formado por un fragmento Fab de un anticuerpo monoclonal murino y la lisozima.
Los 166.000 parámetros y la confusión con las neuronas
La principal cautela está en la forma en que se describe el funcionamiento. La expresión “166.000 parámetros” no parece equivalente al uso habitual del término en inteligencia artificial. En el contexto del connectoma MaleCNS v1.0, la cifra se refiere inicialmente a aproximadamente 166.700 neuronas o nodos. Cada una de esas neuronas puede estar unida a muchas otras mediante sinapsis, por lo que la complejidad efectiva de una simulación no puede reducirse sin más a 166.000 parámetros entrenables. Distintas descripciones del mapa mencionan decenas o cientos de millones de conexiones, mientras que implementaciones de software pueden conservar sólo una parte de ellas para hacer posible la ejecución.
Qué falta para hablar de predicción estructural
Tampoco está claro que la demostración haya realizado una predicción estructural en sentido estricto. Para considerar que un sistema “pliega” una proteína, debería recibir como entrada la secuencia de aminoácidos, inferir una estructura tridimensional sin conocer su solución experimental y luego ser evaluado frente a esa estructura bajo un protocolo ciego. En cambio, si el programa recibe coordenadas, imágenes o representaciones derivadas de la estructura ya resuelta de 1IGT, el resultado podría consistir en una visualización, una transformación de datos o una reconstrucción parcial de información conocida. Sin acceso al código, al método de codificación de la entrada y a las métricas de evaluación, no es posible establecer cuál de esas situaciones corresponde al video divulgado.
AlphaFold y el connectoma: dos cosas distintas
La comparación con AlphaFold también requiere contexto. AlphaFold es una familia de sistemas entrenados específicamente para predecir estructura proteica a partir de secuencias, mediante grandes volúmenes de datos biológicos y procedimientos de evaluación especializados. El connectoma de una mosca, en cambio, es una descripción anatómica de conexiones neuronales. Para aplicar esa red a un problema proteico es necesario agregar componentes externos: un mecanismo que convierta la secuencia o la estructura en estímulos para la simulación, reglas que definan cómo evoluciona la actividad neuronal y un decodificador que traduzca esa actividad en una salida molecular. El desempeño final depende de esas capas de ingeniería tanto como de la red de conexiones utilizada.
Otros proyectos y la advertencia del Fly Language Model
Este punto también aparece en otros proyectos basados en el mismo connectoma. En algunas demostraciones, la actividad de la red se vinculó con videojuegos, precios de activos o modelos de lenguaje. El patrón es similar: datos externos se codifican como estímulos para las neuronas simuladas y una regla programada interpreta el resultado como movimiento, operación financiera o texto. En el caso del denominado Fly Language Model, una implementación conectó el mapa neuronal a un modelo de lenguaje congelado, pero sus propias pruebas de control informaron que una versión sin el grafo de la mosca tuvo mejores resultados que la variante que lo incorporaba.
La relevancia del experimento, por lo tanto, no reside todavía en una capacidad demostrada para resolver el plegamiento de proteínas. Su aporte posible está en otro plano: ilustra cómo un connectoma abierto puede reutilizarse como infraestructura experimental para probar interfaces entre neurociencia computacional, modelos generativos y problemas de otras áreas. También muestra la velocidad con que herramientas de programación asistida por IA permiten transformar un dataset científico en prototipos visuales y funcionales.
Para evaluar si la propuesta tiene valor más allá de una demostración, sería necesario que sus autores publiquen el código y la configuración exacta de la red, el origen de los datos de entrada, la cantidad real de parámetros ajustables, los criterios de entrenamiento y las métricas obtenidas. También deberían probar el sistema sobre proteínas que no hayan formado parte del ajuste y contrastarlo con modelos de referencia, desde métodos simples hasta predictores establecidos. Recién entonces sería posible determinar si el connectoma aporta una señal útil al problema o si funciona principalmente como una arquitectura llamativa para presentar una aplicación ya resuelta por componentes convencionales.
