SandIA (Buenos Aires, 18 de octubre de 2026).- Google redujo un 88% los tiempos de cálculo en el diseño de proteínas mediante inteligencia artificial al recortar la estructura objetivo. La técnica permitió obtener moléculas que se unen a una proteína asociada a tumores sólidos, según informó la compañía.
Optimización del cálculo computacional
De acuerdo con lo publicado por Wwwhatsnew a partir de un informe técnico de Google Research, la estrategia denominada corte de epítopos consiste en aislar una ventana de entre 85 y 130 aminoácidos alrededor del punto de contacto. En la proteína FAP, compuesta por 719 aminoácidos, la revisión con AlphaFold 3 bajó de 59 a 7 segundos por ensayo, lo que representó una aceleración de 8,6 veces en el procesamiento digital.
El desempeño del agente Gemini
En las pruebas con el modelo Gemini 3.1 Pro, el trabajo combinado entre un investigador y el agente inteligente alcanzó un 9,33% de aciertos en la exploración de candidatos. Esta cifra superó el 5,06% obtenido por un profesional de forma individual. Además, la colaboración mixta utilizó solo el 58% del presupuesto computacional asignado de 133 horas de GPU, logrando identificar zonas clave de la molécula de manera autónoma.
Resultados y validación en laboratorio
Los científicos crearon una biblioteca de 5.000 candidatos expresados en levadura para evaluar la unión real con la diana FAP. El experimento arrojó 60 coincidencias exactas con las predicciones digitales. Entre ellas, cuatro moléculas registraron una afinidad de entre 3 y 9,1 nanomolares, un valor considerado de alta precisión para el sector biotecnológico. El brazo autónomo aportó el 40% de los aciertos finales del ensayo.
Alcance y limitaciones del estudio
El informe de Google aclaró que los resultados se obtuvieron en pruebas de laboratorio y no demostraron un efecto terapéutico directo contra el cáncer. Las moléculas no pasaron por ensayos en animales ni la técnica fue publicada en una revista con revisión por pares. No obstante, el avance sugiere que redefinir la escala del problema computacional abarata los costos para explorar un mayor número de dianas terapéuticas complejas.