{"id":554507,"date":"2026-05-16T17:12:31","date_gmt":"2026-05-16T17:12:31","guid":{"rendered":"https:\/\/www.europesays.com\/es\/554507\/"},"modified":"2026-05-16T17:12:31","modified_gmt":"2026-05-16T17:12:31","slug":"una-hoja-de-ruta-hacia-la-ia-para-el-diseno-de-proteinas","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/es\/554507\/","title":{"rendered":"Una hoja de ruta hacia la IA para el dise\u00f1o de prote\u00ednas"},"content":{"rendered":"<ul class=\"wp-block-list\">\n<li><strong>Un equipo del Centro de Regulaci\u00f3n Gen\u00f3mica (CRG) publica en <\/strong><strong>Nature Machine Intelligence<\/strong><strong> la revisi\u00f3n m\u00e1s exhaustiva hasta la fecha sobre IA explicable aplicada al dise\u00f1o de prote\u00ednas, y advierte de que los modelos actuales funcionan como \u00abcajas negras\u00bb cuyas decisiones nadie sabe del todo interpretar.<\/strong><\/li>\n<li><strong>Estos modelos son tecnolog\u00edas decisivas para el clima y la salud y empiezan a influir en decisiones biotecnol\u00f3gicas reales pese a que no se puede comprobar si son fiables, est\u00e1n sesgados o resultan seguros.<\/strong><\/li>\n<\/ul>\n<p>Los modelos de lenguaje de prote\u00ednas son herramientas de inteligencia artificial que ayudan a dise\u00f1ar prote\u00ednas con propiedades \u00fatiles, incluidas estructuras completamente nuevas que jam\u00e1s se han observado en la naturaleza.<\/p>\n<p>Esta tecnolog\u00eda tiene un enorme potencial para abordar retos globales, como la s\u00edntesis de enzimas capaces de absorber di\u00f3xido de carbono de la atm\u00f3sfera o el desarrollo de catalizadores que reduzcan dr\u00e1sticamente el consumo energ\u00e9tico o los residuos t\u00f3xicos generados en los procesos industriales.<\/p>\n<p>A medida que muchos de estos modelos empiezan a condicionar decisiones reales en biotecnolog\u00eda, persiste un problema de fondo. Los modelos de lenguaje de prote\u00ednas (pLM, por sus siglas en ingl\u00e9s) operan en gran medida como cajas negras, lo que dificulta comprender su proceso de decisi\u00f3n y valorar si sus predicciones son fiables, est\u00e1n sesgadas o resultan siquiera seguras para aplicarse en el mundo real.<\/p>\n<p>En un nuevo art\u00edculo de perspectiva publicado en Nature Machine Intelligence, investigadoras del Centro de Regulaci\u00f3n Gen\u00f3mica (CRG) analizan c\u00f3mo se aplica actualmente a los modelos de lenguaje de prote\u00ednas la \u201cIA explicable\u201d, el conjunto de t\u00e9cnicas y m\u00e9todos que permiten a las personas comprender, confiar e interpretar las decisiones de esta tecnolog\u00eda.<\/p>\n<p>\u201cLos modelos de lenguaje de prote\u00ednas avanzan a gran velocidad, pero nuestra comprensi\u00f3n de procesos biol\u00f3gicos fundamentales como el plegamiento o la cat\u00e1lisis no ha progresado al mismo ritmo que estos avances\u201d, afirma la doctora Noelia Ferruz, jefa de grupo en el CRG y autora principal del trabajo.<\/p>\n<p>\u201cEn cierto modo, hemos perdido incluso parte de la transparencia que caracterizaba a los modelos basados en la f\u00edsica. Sin mejores formas de explicar qu\u00e9 aprenden estos modelos y c\u00f3mo toman sus decisiones, corremos el riesgo de construir herramientas potentes en las que no podemos confiar plenamente\u201d, a\u00f1ade la doctora Ferruz.<\/p>\n<p>Los autores tambi\u00e9n lanzan un llamamiento a la comunidad investigadora para que los sistemas de dise\u00f1o de prote\u00ednas sean m\u00e1s transparentes, fiables y seguros. \u201cSi queremos que los modelos de lenguaje de prote\u00ednas se conviertan en un socio fiable en el descubrimiento y el dise\u00f1o, la explicabilidad no puede ser una idea de \u00faltima hora\u201d, se\u00f1ala Andrea Hunklinger, primera autora del trabajo.<\/p>\n<p><img fetchpriority=\"high\" decoding=\"async\" width=\"800\" height=\"533\" src=\"https:\/\/www.europesays.com\/es\/wp-content\/uploads\/2026\/05\/Grupo-Noelia-Ferruz-en-el-CRG.jpg\" alt=\"Investigadores que han realizado la revisi\u00f3n m\u00e1s exhaustiva hasta la fecha sobre IA explicable aplicada al dise\u00f1o de prote\u00ednas. \" class=\"wp-image-121559\" style=\"width:500px\"  \/>Investigadores que han realizado la revisi\u00f3n m\u00e1s exhaustiva hasta la fecha sobre IA explicable aplicada al dise\u00f1o de prote\u00ednas. Imagen: Centro de Regulaci\u00f3n Gen\u00f3mica. <\/p>\n<p><strong>Cuatro lugares en los que mirar para tratar de explicar las decisiones de un modelo de IA de lenguaje de prote\u00ednas<\/strong><\/p>\n<p>Las autoras escriben que, si se quiere entender por qu\u00e9 un modelo de IA ha tomado una decisi\u00f3n predictiva sobre el tipo de estructura o las propiedades de una prote\u00edna, conviene preguntarse antes de d\u00f3nde procede la explicaci\u00f3n.<\/p>\n<p>Identifican cuatro puntos clave en el recorrido del modelo que resultan cr\u00edticos a la hora de explicar su toma de decisiones. El primero son los <strong>datos de entrenamiento<\/strong> con los que ha aprendido el modelo, lo que, por ejemplo, puede revelar si presenta sesgos que no contemplan la <a href=\"https:\/\/genotipia.com\/genetica_medica_news\/diversidad-poblacional-estudios-genomicos\/\" rel=\"nofollow noopener\" target=\"_blank\">diversidad gen\u00e9tica humana<\/a> o si dispone, para empezar, de suficientes datos sobre prote\u00ednas humanas.<\/p>\n<p>El segundo es la <strong>secuencia concreta de prote\u00edna que se le proporciona al modelo<\/strong>. Por ejemplo, en un modelo que predice el precio de la vivienda, las variables pueden incluir los metros cuadrados, el n\u00famero de dormitorios o la ubicaci\u00f3n. En el caso de los modelos de lenguaje de prote\u00ednas, se trata de qu\u00e9 amino\u00e1cidos o regiones de la prote\u00edna han influido m\u00e1s en la predicci\u00f3n.<\/p>\n<p>El tercero es la <strong>arquitectura y los componentes internos del propio modelo de lenguaje de prote\u00ednas<\/strong>, algo comparable a abrir el cap\u00f3 de un coche y revisar el motor. En estos modelos, eso implica comprobar si las neuronas artificiales que utiliza la IA est\u00e1n procesando la informaci\u00f3n correctamente.<\/p>\n<p>Por \u00faltimo, los investigadores pueden sondear un modelo de lenguaje de prote\u00ednas d\u00e1ndole peque\u00f1os empujones y observando qu\u00e9 sucede. Es lo que se conoce como comportamiento entrada-salida y consiste en estudiar <strong>c\u00f3mo cambia la respuesta del modelo si se altera ligeramente la secuencia de la prote\u00edna o la pregunta planteada<\/strong>.<\/p>\n<p><strong>\u00bfQu\u00e9 busca la ciencia al abrir la \u201ccaja negra\u201d?<\/strong><\/p>\n<p>Para entender c\u00f3mo se est\u00e1 utilizando hoy en d\u00eda la inteligencia artificial explicable en la investigaci\u00f3n de prote\u00ednas, los autores revisaron la bibliograf\u00eda cient\u00edfica existente y examinaron decenas de estudios en los que ya se han aplicado herramientas de explicabilidad a modelos de lenguaje de prote\u00ednas. Se trata de la revisi\u00f3n m\u00e1s exhaustiva de este tipo realizada hasta la fecha.<\/p>\n<p>Las autoras han transformado un cuerpo de trabajo disperso en un conjunto claro de roles que la explicabilidad puede desempe\u00f1ar en la investigaci\u00f3n de prote\u00ednas, lo que contribuye a transformar un \u00e1mbito t\u00e9cnicamente denso en algo mucho m\u00e1s accesible.<\/p>\n<p>En casi todos los casos, la explicabilidad se utiliza como \u201cEvaluador\u201d, es decir, como una v\u00eda para comprobar si el modelo ha aprendido patrones que los bi\u00f3logos ya conocen, como el reconocimiento de sitios de uni\u00f3n o motivos estructurales.<\/p>\n<p>\u201cAunque los Evaluadores resultan \u00fatiles para medir la calidad del modelo, no permiten extrapolar a ejemplos desconocidos, mejorar la arquitectura de los modelos y, lo que es m\u00e1s importante, desvelar conocimientos biol\u00f3gicos que emergen de los datos de entrenamiento\u201d, sostiene Hunklinger.<\/p>\n<p>Una proporci\u00f3n menor de estudios va un paso m\u00e1s all\u00e1 y emplea estos hallazgos como \u201cMultitarea\u201d, reaprovechando las se\u00f1ales aprendidas para anotar nuevas prote\u00ednas o predecir propiedades adicionales. Los autores se\u00f1alan que estos dos roles dominan hoy el campo, lo que demuestra que la explicabilidad se utiliza sobre todo como herramienta de verificaci\u00f3n y apoyo, y no como motor del descubrimiento.<\/p>\n<p>Las investigadoras constataron que un n\u00famero limitado de estudios aprovecha los conocimientos derivados de la IA explicable como \u201cIngeniero\u201d o \u201cEntrenador\u201d, lo que ayuda a recortar componentes superfluos y redise\u00f1ar arquitecturas para orientar la tecnolog\u00eda hacia la generaci\u00f3n de secuencias de prote\u00ednas con las caracter\u00edsticas deseadas.<\/p>\n<p><strong>Hacia un modelo de lenguaje de prote\u00ednas \u201cProfesor\u201d<\/strong><\/p>\n<p>El quinto rol de la IA explicable en el lenguaje de prote\u00ednas es el de \u201cProfesor\u201d, que destaca como el m\u00e1s ambicioso y el menos desarrollado. Este tipo de <strong>IA explicable puede contribuir a desvelar principios biol\u00f3gicos completamente nuevos que los humanos no hab\u00edan reconocido hasta ahora<\/strong>.<\/p>\n<p>Los autores comparan este hito con otros alcanzados en distintos \u00e1mbitos de la inteligencia artificial, como cuando AlphaZero empez\u00f3 a descubrir nuevas estrategias de ajedrez que sorprendieron a los grandes maestros, o cuando los sistemas de IA ayudaron a descifrar textos antiguos deteriorados al reconocer patrones ling\u00fc\u00edsticos invisibles al ojo humano. Es en ese momento cuando la tecnolog\u00eda pasa de ser una herramienta de eficiencia a otra que aporta conocimiento nuevo.<\/p>\n<p>En las ciencias de las prote\u00ednas, alcanzar la fase de \u201cProfesor\u201d supondr\u00eda que los sistemas de IA ayudaran a los investigadores a descubrir nuevas reglas de plegamiento, cat\u00e1lisis o interacci\u00f3n molecular capaces de transformar el modo en que se dise\u00f1an medicamentos, materiales y tecnolog\u00edas sostenibles.<\/p>\n<p>\u201cPara nosotros, el verdadero santo grial es el dise\u00f1o controlable de prote\u00ednas. Imagina poder decirle a un modelo: \u2018Dis\u00e9\u00f1ame una prote\u00edna con esta forma, activa a este pH\u2019, y recibir no solo una secuencia candidata, sino tambi\u00e9n una explicaci\u00f3n clara de por qu\u00e9 ese dise\u00f1o deber\u00eda funcionar y, sobre todo, por qu\u00e9 fallar\u00edan las alternativas\u201d, explica la doctora Ferruz.<\/p>\n<p>\u201cPor ejemplo, el modelo podr\u00eda explicar que una mutaci\u00f3n concreta alterar\u00eda una red de enlaces de hidr\u00f3geno esencial para la estabilidad. Alcanzar ese nivel de control y de transparencia mecan\u00edstica llevar\u00eda a los modelos de lenguaje de prote\u00ednas a pasar de ser generadores impresionantes a convertirse en socios de dise\u00f1o verdaderamente fiables\u201d, a\u00f1ade.<\/p>\n<p>Los autores subrayan que alcanzar la categor\u00eda de \u201cProfesor\u201d en los modelos de lenguaje de prote\u00ednas no ocurrir\u00e1 de manera autom\u00e1tica. Los modelos actuales son potentes reconocedores de patrones, pero a menudo se apoyan en correlaciones estad\u00edsticas m\u00e1s que en una comprensi\u00f3n real. Sostienen que deben cumplirse varias condiciones, y su principal preocupaci\u00f3n gira en torno a la fiabilidad y la validaci\u00f3n.<\/p>\n<p>El art\u00edculo reclama a la comunidad la creaci\u00f3n de pruebas de referencia y marcos de evaluaci\u00f3n s\u00f3lidos para comprobar si una explicaci\u00f3n refleja realmente el razonamiento del modelo. Tambi\u00e9n aboga por herramientas de c\u00f3digo abierto que hagan la explicabilidad accesible y comparable entre laboratorios. Y, sobre todo, cualquier conocimiento derivado de la IA debe validarse en \u00faltima instancia en el laboratorio, lo que convierte los patrones matem\u00e1ticos en conocimiento biol\u00f3gico confirmado experimentalmente.<\/p>\n<p><strong>Art\u00edculo cient\u00edfico<\/strong><\/p>\n<p>Hunklinger, A., Ferruz, N. Towards the explainability of protein language models. Nat Mach Intell. 2026. DOI: <a href=\"https:\/\/doi.org\/10.1038\/s42256-026-01232-w\" rel=\"nofollow noopener\" target=\"_blank\">https:\/\/doi.org\/10.1038\/s42256-026-01232-w<\/a>\u00a0\u00a0\u00a0<\/p>\n<p><a href=\"https:\/\/campus.genotipia.com\/master-medicina-precision-y-genetica-clinica\/\" rel=\"nofollow noopener\" target=\"_blank\"><img loading=\"lazy\" decoding=\"async\" width=\"736\" height=\"280\" src=\"data:image\/svg+xml,%3Csvg%20xmlns=\" http:=\"\" alt=\"M\u00e1ster en Medicina de Precisi\u00f3n y Gen\u00e9tica Cl\u00ednica\" class=\"wp-image-112615\" data-lazy- data-lazy- data-lazy-src=\"https:\/\/www.europesays.com\/es\/wp-content\/uploads\/2026\/04\/Banner-Master-en-Medicina-de-Precision-y-Genetica-Clinica.jpg\"\/><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"Un equipo del Centro de Regulaci\u00f3n Gen\u00f3mica (CRG) publica en Nature Machine Intelligence la revisi\u00f3n m\u00e1s exhaustiva hasta&hellip;\n","protected":false},"author":2,"featured_media":554508,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[81],"tags":[119,123,124,25,24,117,121,122,23,118,120],"class_list":{"0":"post-554507","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-ciencia-y-tecnologia","8":"tag-ciencia","9":"tag-ciencia-y-tecnologia","10":"tag-cienciaytecnologia","11":"tag-es","12":"tag-espana","13":"tag-science","14":"tag-science-and-technology","15":"tag-scienceandtechnology","16":"tag-spain","17":"tag-technology","18":"tag-tecnologia"},"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@es\/116585375916450615","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/554507","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/comments?post=554507"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/posts\/554507\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media\/554508"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/media?parent=554507"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/categories?post=554507"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/es\/wp-json\/wp\/v2\/tags?post=554507"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}