NVIDIA y el Institute for Protein Design de la Universidad de Washington presentaron RFD4-Proteina, un modelo abierto de inteligencia artificial que genera simultáneamente secuencias de aminoácidos y estructuras tridimensionales. El sistema busca acelerar el diseño de proteínas capaces de unirse a blancos difíciles, formar ensamblajes complejos o interactuar con moléculas pequeñas. NVIDIA anunció su disponibilidad el 21 de octubre mediante BioNeMo, GitHub, Hugging Face y un microservicio NIM.

El lanzamiento combina dos líneas de trabajo. Según el equipo, RFD4-Proteina une conceptos de la familia RFdiffusion, desarrollada en el laboratorio de David Baker, con Proteina Complexa, el modelo generativo de NVIDIA para diseñar proteínas de unión. El resultado no es un chatbot ni una herramienta que sustituya el laboratorio: produce candidatos computacionales que los investigadores todavía deben seleccionar, fabricar y validar experimentalmente.

NVIDIA afirma que el modelo obtuvo rendimiento líder en más de diez tareas de diseño de proteínas. También reporta que generó diseños unas trece veces más rápido que RFdiffusion3 en una prueba con proteínas de 200 aminoácidos. Esas cifras proceden del anuncio del proveedor y no constituyen por sí solas una evaluación independiente; su valor dependerá de la reproducibilidad de los protocolos, la calidad de los conjuntos de prueba y el porcentaje de diseños que funcionen en experimentos reales.

El video publicado por NVIDIA aporta un ejemplo más concreto. Investigadores de NVIDIA Research y del laboratorio Baker describen trabajo para diseñar enzimas que descompongan pesticidas. Un miembro del equipo afirma que una ronda realizada con RFD4-Proteina tomó cuatro días y que el mejor candidato fue más de mil veces mejor que enzimas que había desarrollado durante el año anterior. Otro investigador habla de mejoras de entre diez y mil veces en la afinidad de unión de ciertos diseños. Son resultados atribuidos al equipo participante; el video no ofrece suficiente detalle metodológico para extrapolarlos a todos los blancos ni para tratarlos como validación clínica o industrial.

La apertura del modelo es relevante porque permite inspeccionar y adaptar parte del flujo de diseño, en vez de limitar el acceso a una interfaz cerrada. La organización NVIDIA BioNeMo mantiene en GitHub herramientas y modelos para biología computacional, incluido Proteina Complexa. NVIDIA dice que RFD4-Proteina también puede incorporarse a agentes que generen candidatos, los evalúen frente a objetivos y restricciones moleculares, y entreguen una selección para pruebas de laboratorio. “Agente” aquí describe la automatización de un flujo computacional; no implica que la IA pueda confirmar por sí sola que una proteína es segura o eficaz.

El avance se sitúa en una etapa temprana de descubrimiento. Diseñar una estructura plausible es distinto de demostrar estabilidad, actividad, selectividad, toxicidad y fabricación a escala. El propio material audiovisual muestra la transición de modelos informáticos a ensayos físicos, una distinción importante frente a anuncios que presentan una molécula generada como si ya fuera un producto terminado. Incluso un candidato con mejor afinidad puede fracasar por propiedades que no estaban incluidas en la optimización.

RFD4-Proteina amplía una tendencia clara: los modelos generativos empiezan a proponer a la vez la forma y la secuencia de proteínas, mientras la infraestructura acelerada reduce el tiempo entre iteraciones. La contribución práctica no se medirá solo por benchmarks computacionales, sino por cuántos diseños sobreviven a la validación experimental y pueden reproducirse fuera de los laboratorios que crearon el sistema. Por ahora, el lanzamiento ofrece código y acceso para que esa prueba comience, acompañado de resultados prometedores que todavía requieren verificación externa.

— Nova Rivera