Google DeepMind · EMBL-EBI · Nature 2024
AlphaFold 3 no solo predice la forma de una proteína aislada: modela cómo interactúa con ADN, ARN, ligandos, iones y modificaciones químicas. En los tumores urológicos —donde receptores hormonales, vías de señalización y complejos reguladores explican buena parte de la progresión y de las resistencias— esto abre una vía rápida y gratuita para priorizar el trabajo de laboratorio.
Las predicciones de AlphaFold son hipótesis estructurales de alta calidad, no resultados experimentales. Siempre requieren validación en el laboratorio. Su mayor valor está en orientar y priorizar el trabajo experimental —reduciendo el espacio de posibilidades a explorar— más que en sustituirlo.
El salto de AlphaFold 3
A diferencia de versiones anteriores, AlphaFold 3 modela complejos completos: cómo las biomoléculas se ensamblan y se reconocen entre sí. Eso es justo lo que gobierna la biología del tumor.
Estructura 3D de proteínas y de sus complejos multiproteicos.
Interacciones proteína–ADN y proteína–ARN reguladoras.
Acoplamiento de moléculas pequeñas sin estructura de referencia.
Iones y modificaciones químicas posteriores a la síntesis.
En el contexto de su trabajo
Próstata, carcinoma renal y cáncer urotelial de vejiga. De la resistencia hormonal al diseño racional de fármacos.
No solo en tumores urológicos. Los ejemplos de esta sección se centran en urología por el área de trabajo del equipo, pero las capacidades de AlphaFold 3 son generales a toda la oncología —y a la biología molecular en su conjunto—: sirven para estudiar dianas, mutaciones, metástasis e interacciones moleculares en cualquier tipo de tumor (mama, pulmón, colon, hematológicos…).
Modela el receptor de andrógenos y sus variantes —mutaciones del dominio de unión al ligando asociadas a resistencia a enzalutamida o abiraterona, o variantes de splicing como AR-V7—. Ayuda a entender por qué fallan las terapias y a orientar inhibidores de nueva generación.
Visualiza proteínas de vías oncogénicas urológicas, incluso sin estructura experimental resuelta, para evaluar si una diana es «tratable» farmacológicamente y localizar bolsillos de unión candidatos. Útil en próstata, carcinoma renal y vejiga.
Predice cómo una mutación concreta —genes de reparación del ADN, alteraciones de FGFR3 frecuentes en tumores vesicales— altera la estructura o estabilidad de una proteína. Ayuda a interpretar variantes de significado incierto y a fundamentar la estratificación.
Complejos de adhesión célula–célula (cadherinas, cateninas), transición epitelio-mesénquima, metaloproteinasas de matriz y el eje CXCR4/CXCL12 —clave en la predilección del cáncer de próstata por el hueso—. También la evolución clonal de la enfermedad avanzada y resistente.
Predice cómo una molécula pequeña se acopla a su diana sin partir de una estructura de referencia ni de una posición de unión sugerida. Acelera el cribado virtual y el diseño racional en fases muy tempranas, antes de comprometer recursos.
Estudia cómo se ensamblan complejos multiproteicos y cómo proteínas reguladoras se unen al ADN o al ARN: mecanismos centrales en la desregulación de la expresión génica que caracteriza a muchos de estos tumores.
Aplicado a la práctica
Sobre las clases de fármacos dirigidos habituales en oncología urológica y ginecológica, AlphaFold 3 ayuda sobre todo a explicar resistencias a nivel atómico y a priorizar hipótesis antes del laboratorio.
Modela el dominio de unión al ligando del receptor de andrógenos, sus mutaciones de resistencia (p. ej. F877L, T878A) y variantes de splicing como AR-V7, además de la enzima CYP17A1. Ayuda a entender por qué escapan los tumores resistentes a la castración.
Modela el dominio quinasa con el fármaco en el bolsillo ATP y anticipa las mutaciones que hacen fracasar estos inhibidores: gatekeeper (FGFR3 V555M) y solvent-front (ROS1 G2032R), frecuentes en tumores de vejiga y riñón. Orienta el diseño de inhibidores de nueva generación.
Modela PIK3CA con sus mutaciones hotspot (H1047R, E545K) —frecuentes en tumores ginecológicos y uroteliales— y el complejo ternario FKBP12–everolimus–mTOR, una interacción proteína–ligando–proteína que solo AlphaFold 3 modela bien.
Modela PARP1 con su inhibidor y los complejos de reparación del ADN, y ayuda a interpretar el impacto estructural de variantes en genes de reparación para fundamentar la estratificación de pacientes.
Modela la interfaz PD-1/PD-L1 y el bolsillo de IDO1 (diana de molécula pequeña, encaje claro). Matiz: el modelado anticuerpo–antígeno es de lo más difícil para AlphaFold 3; útil para hipótesis de epítopo, pero con cautela.
Dónde no encaja: en quimioterapia clásica (platinos, taxanes, gemcitabina), radioisótopos como el radio-223, BCG intravesical o vacunas celulares, AlphaFold 3 aporta poco: no hay una diana proteica concreta que modelar.
Criterio antes que entusiasmo
Las predicciones requieren validación experimental. Son un punto de partida riguroso, no una conclusión.
El modelo ofrece índices de confianza que deben interpretarse con juicio experto antes de actuar.
El acceso vía AlphaFold Server está sujeto a condiciones de uso no comercial.
Aporta la pieza estructural y molecular, pero no el microambiente tumoral ni la dinámica celular: siguen requiriendo modelos celulares, organoides o in vivo.
Ya está en uso
No es una promesa de futuro: la adopción es masiva y ya hay casos concretos, en España y en el mundo, incluido el primer fármaco antitumoral identificado con su ayuda.
El Programa de Biología Estructural combina crio-EM e inteligencia artificial para descifrar quinasas y complejos multiproteicos implicados en la reparación del ADN y el cáncer. En 2025 incorporó (con fondos NextGenerationEU) un grupo de diseño de proteínas con IA.
cnio.es ↗ Estructura + IA confirmadas; el uso de AlphaFold en concreto no se nombra en la página.El equipo de Xavier Salvatella trabaja en la estructura del receptor de andrógenos en cáncer de próstata resistente —su misma área—, describiendo una nueva vía para impedir su activación.
agenciasinc.es ↗ Caso afín de biología estructural; las fuentes no confirman que usara AlphaFold en este trabajo.Primer fármaco identificado con ayuda de AlphaFold: un inhibidor de CDK20 para hepatocarcinoma (cáncer de hígado), sobre una diana sin estructura cristalina previa, en torno a un mes.
Chemical Science, 2023 ↗Diseña fármacos sobre AlphaFold 3. Alianzas con Eli Lilly y Novartis (~3.000 M$) y 17 programas en oncología, inmunología y cardiovascular; su primer antitumoral de diseño con IA apunta a Fase 1 a finales de 2026.
isomorphiclabs.com ↗Transparencia: la adopción global está documentada por las fuentes citadas. Para los grupos españoles, hemos verificado su línea de investigación en biología estructural del cáncer; afirmar “este equipo usa AlphaFold 3” requeriría confirmarlo en sus propias publicaciones.
Puesta en marcha del equipo
Empezar no requiere prácticamente inversión. Basta un ordenador con navegador y una cuenta de Google.
No hay nada que instalar; el cálculo lo proporciona Google DeepMind de forma gratuita. Operativo el mismo día.
Cómo arrancar:
Código abierto y gratuito. Elimina límites diarios y restricciones de moléculas, pero traslada el coste a la infraestructura. Lo razonable es apoyarse en el clúster científico de la institución.
Para automatizar grandes volúmenes de forma programada. La opción más técnica; no se recomienda como punto de partida.
Empezar con el AlphaFold Server web: coste cero, sin infraestructura y operativo el mismo día. Permite al equipo familiarizarse con la herramienta y validar su utilidad en proyectos reales. Solo si el volumen o las restricciones de moléculas lo justifican, dar el salto al clúster HPC institucional y, en casos concretos de automatización a gran escala, a la API de Google Cloud. Existe además formación gratuita en línea sobre AlphaFold desarrollada junto a EMBL-EBI.
Verifíquelo por sí mismo
No se pide confianza, sino disponer de las referencias para comprobar cualquier punto.
Abramson, J., Adler, J., Dunger, J. et al. «Accurate structure prediction of biomolecular interactions with AlphaFold 3». Nature 630, 493–500 (2024).
DOI: 10.1038/s41586-024-07487-w ↗AlphaFold Server — predicciones desde el navegador.
alphafoldserver.com ↗Página oficial de AlphaFold Server.
deepmind.google · AlphaFold ↗AlphaFold Protein Structure Database.
alphafold.ebi.ac.uk ↗Repositorio oficial en GitHub (Google DeepMind).
github.com/google-deepmind/alphafold3 ↗