AlphaFold 3: Predicción de estructuras de ARN con precisión atómica

El reto del ARN: más difícil que las proteínas

Cuando AlphaFold 2 revolucionó la biología estructural en 2021 al predecir estructuras de proteínas con precisión sin precedentes, la comunidad científica celebró el logro pero señaló inmediatamente el siguiente gran desafío: el ARN. Las moléculas de ácido ribonucleico son estructuralmente más complejas y dinámicas que las proteínas, y su plegamiento depende de interacciones mucho más sutiles entre bases, iones metálicos y moléculas de agua.

AlphaFold 3, publicado en 2024, dio los primeros pasos hacia la predicción de complejos macromoleculares incluyendo ARN. Ahora, en 2026, DeepMind ha publicado un nuevo trabajo en Nature que extiende estas capacidades de forma espectacular: el sistema puede predecir estructuras de ARN de hasta 2.000 nucleótidos con una precisión media de RMSD (raíz del cuadrado medio de desviaciones atómicas) inferior a 1.5 Ångströms.

Cómo AlphaFold 3 aborda el ARN

El sistema utiliza una arquitectura de diffusion model sobre una representación tridimensional de los átomos de la molécula, condicionada por la secuencia de nucleótidos y las propiedades físico-químicas de cada residuo. A diferencia de las proteínas, donde los aminoácidos tienen geometrías bastante rígidas, los nucleótidos del ARN tienen múltiples conformaciones posibles del esqueleto fosfodiéster que el modelo debe explorar.

Una innovación clave es el uso de coevolución de secuencias como señal de entrenamiento. Cuando dos posiciones en el ARN coevolucionan a través de muchas especies, es probable que estén en contacto espacial. AlphaFold 3 incorpora esta información de coevolución junto con datos de estructura experimental (cristalografía de rayos X, cryo-EM) para guiar las predicciones.

Complejos ARN-proteína

Quizás el avance más significativo del nuevo trabajo es la predicción de complejos entre ARN y proteínas. Estos complejos —ribosomas, spliceosomas, telomerasas— son fundamentales para prácticamente todos los procesos celulares, y su disfunción está implicada en enfermedades desde el cáncer hasta enfermedades neurodegenerativas.

El sistema predice correctamente la interfaz de unión ARN-proteína con una precisión del 78% en el conjunto de validación independiente, medida como la fracción de contactos nativos recuperados. Para el ribosoma bacteriano completo (más de 4.000 nucleótidos y 50 proteínas), la predicción global tiene un RMSD de 2.1 Ångströms respecto a la estructura cristalográfica de referencia.

Aplicaciones en diseño de fármacos

El ARN es el objetivo terapéutico del futuro. A diferencia de las proteínas, que tienen sitios de unión bien definidos para pequeñas moléculas, el ARN presenta cavidades y estructuras tridimensionales únicas que pueden ser diana de fármacos con alta especificidad. Las terapias basadas en ARN —siRNA, ARNm, aptámeros, ribozimas— están en plena expansión.

Con la capacidad de predecir estructuras de ARN de alta precisión, los equipos de diseño de fármacos computacional pueden ahora hacer docking virtual de moléculas pequeñas contra dianas de ARN sin necesidad de resolver experimentalmente la estructura, un proceso que puede tardar meses y millones de dólares. Empresas como Relay Therapeutics y Recursion Pharmaceuticals ya están incorporando AlphaFold 3 en sus pipelines de descubrimiento.

Limitaciones actuales y trabajo futuro

A pesar de los impresionantes resultados, el sistema tiene limitaciones importantes. La predicción de ARN altamente flexible o intrínsecamente desordenado sigue siendo un problema abierto: el modelo tiende a predecir una única conformación cuando la realidad es un ensemble de estructuras en equilibrio dinámico. Los métodos de cryo-EM y SAXS en solución revelan esta flexibilidad, pero incorporarla en las predicciones requiere enfoques estadísticos más sofisticados.

DeepMind ha anunciado que el siguiente paso es integrar dinámica molecular y datos de experimentos de protección química (SHAPE, DMS) para predecir no solo la estructura más estable sino el paisaje energético completo del plegamiento del ARN. Esto abrirá la puerta a entender cómo las mutaciones y las modificaciones postranscripcionales alteran la función del ARN, con implicaciones directas para la medicina de precisión.