📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

Una biblioteca enorme donde cada libro es una instrucción precisa para ensamblar una molécula de proteína. La red neuronal AlphaFold2 ha leído millones de estos libros y ha aprendido a generar al instante un modelo tridimensional ya terminado. Pero dentro de esta red, en su 'cerebro', queda algo más: no solo reglas de ensamblaje, sino todo un atlas de los movimientos posibles de la proteína, su vida oculta.

Los investigadores idearon una manera de asomarse a ese atlas. Tomaron los tensores de pesos (las matrices de números que guardan el conocimiento de la red) del bloque Evoformer, una parte clave de AlphaFold2, y les aplicaron una convolución con desenfoque gaussiano. En otras palabras, 'desenfocaron' un poco la visión de la red para ver no una imagen nítida, sino un abanico de posibilidades. A este método lo llamaron espectroscopia neuronal.

El resultado fue sorprendente. Para la proteína ubiquitina, esa 'perturbación' mostró que sus partes se separan exactamente en el orden que se había determinado durante décadas en experimentos de laboratorio sobre plegamiento.

Para la proteína KaiB, que puede adoptar dos formas completamente distintas, las cinco versiones de la red entrenadas de forma independiente coincidieron: la segunda forma no se puede obtener mediante la perturbación. Y para la alfa-sinucleína, relacionada con la enfermedad de Parkinson, las cinco versiones produjeron cinco mapas diferentes pero internamente coherentes. Esto señaló dónde los datos de entrenamiento daban una señal clara y dónde la red seguía en la ignorancia. La prueba de control, introducir ruido aleatorio de la misma potencia, solo generaba basura informe, no movimientos con sentido. Los 93 millones de parámetros de la red no son solo un mecanismo, sino una huella congelada de la realidad física de las proteínas.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2607.16087

AlphaFold2's 93 million parameters, shaped by the evolutionary record of protein structure encoded in the Protein Data Bank and in sequence alignments, are conventionally treated only as machinery for converting sequence to structure. We propose they are also a scientific object that can be analyzed directly: a learned encoding of protein conformational organization that can be probed and characterized. By smoothing the Evoformer's weight tensors with a Gaussian convolution and scaling the result, we show that the trained model produces physically structured conformational landscapes. Under perturbation, ubiquitin's native contacts break in the order established by decades of folding experiments. For KaiB, five independently trained models agree that the alternative fold is not recovered under perturbation. For alpha-synuclein, five models produce five different but coherent landscapes, mapping where the training signal has determined the representation and where it has not. Matched-power noise controls confirm that random corruption of equal magnitude produces debris, not conformations. The model learned to predict static structures; the conformational organization visible under perturbation was not an explicit training target, suggesting it emerged as a byproduct of that objective. AlphaFold2's weights appear to encode structural constraints, shaped by evolutionary and structural training data, that extend beyond what unperturbed inference reveals. We call the approach of reading them neural spectroscopy, and Scaled Gaussian Convolution one such protocol.