Los métodos computacionales predicen cómo las proteínas se pliegan en sus estructuras 3D funcionales.La predicción del plegamiento de proteínas es el problema computacional de determinar la estructura tridimensional nativa de una proteína a partir de su secuencia de aminoácidos. Dado que la función de una proteína está íntimamente ligada a su forma, conocer la estructura plegada es crucial para comprender los procesos biológicos, diseñar fármacos y diseñar nuevas proteínas. El desafío es formidable: el número de conformaciones posibles es astronómicamente grande, pero las proteínas se pliegan en sus formas funcionales en milisegundos, una paradoja conocida como la paradoja de Levinthal. Los métodos modernos de predicción combinan cálculos de energía basados en la física con aprendizaje automático, especialmente redes neuronales profundas, para lograr una precisión casi experimental para muchas proteínas.
El problema del plegamiento de proteínas fue articulado en la década de 1960 por Christian Anfinsen, quien demostró que la secuencia de aminoácidos determina la estructura nativa. Los esfuerzos computacionales de predicción comenzaron en la década de 1970, pero los principales avances llegaron en 2020 con AlphaFold2, que logró una precisión casi experimental en la competencia CASP14, seguido de mejoras adicionales y una adopción más amplia.
Los enfoques contemporáneos, como AlphaFold y herramientas relacionadas, utilizan una estrategia de doble vía. Primero, aprovechan la información evolutiva: al comparar las secuencias de muchas proteínas relacionadas, infieren qué pares de aminoácidos probablemente están en contacto en la estructura plegada. Segundo, emplean modelos de aprendizaje profundo que procesan estos datos coevolutivos junto con restricciones físicas, refinando iterativamente una estructura 3D predicha. Las redes neuronales se entrenan con miles de estructuras proteicas conocidas, aprendiendo las reglas complejas que mapean la secuencia a la geometría. El resultado es una lista clasificada de estructuras candidatas, con puntuaciones de confianza para cada región, que los investigadores pueden luego validar experimentalmente.
La predicción precisa de la estructura de proteínas acelera el descubrimiento de fármacos al permitir el cribado virtual de compuestos contra dianas proteicas, ayuda en el diseño de enzimas para procesos industriales y contribuye a interpretar mutaciones causantes de enfermedades en la medicina personalizada.
Los modelos de predicción más recientes pueden plegar una proteína típica en minutos en una sola GPU, una tarea que a una supercomputadora le llevaría años simular desde primeros principios.
| σ_χA | variable | scattering cross section of particle χ with nucleus A — sección eficaz square metre |
| σ_χB | variable | scattering cross section of particle χ with nucleus B — sección eficaz square metre |
| μ_χA | variable | reduced mass of particle χ and nucleus A — reduced mass kilogram |
| μ_χB | variable | reduced mass of particle χ and nucleus B — reduced mass kilogram |
| Z | variable | Bayesian evidence (marginal likelihood) — evidencia bayesiana |
| Θ | variable | Parameter vector — parameter vector |
| L(Θ) | variable | Likelihood function — likelihood function |
| π(Θ) | variable | Prior probability density — prior probability density |
| ∫ | operador | Integration over parameter space — operador integral |
| dΘ | operador | Infinitesimal volume element — volume element |
| x | variable | random variable |
| σ | variable | scale parameter |
| sech | operador | hyperbolic secant function — hyperbolic secant |







