Por Canuto  

RFdiffusion3 genera proteínas y ácidos nucleicos a escala atómica. Según el reporte original, dos enzimas diseñadas con el sistema realizaron las reacciones previstas en pruebas de laboratorio. En una comparación con 41 sitios activos de enzimas, superó a su versión anterior en 37 casos y, según el Instituto de Diseño de Proteínas de la Universidad de Washington, opera cerca de diez veces más rápido.
***

  • RFdiffusion3 diseña proteínas en el contexto de ligandos, ácidos nucleicos y otros componentes no proteicos; el Instituto de Diseño de Proteínas de la Universidad de Washington también informó de una colaboración con NVIDIA.
  • Según el reporte original, en una comparación con 41 sitios activos de enzimas, RFdiffusion3 superó a RFdiffusion2 en 37 casos. El Instituto de Diseño de Proteínas informó que la nueva versión es aproximadamente diez veces más rápida.
  • El reporte original atribuye a dos enzimas diseñadas con la herramienta la realización de las reacciones previstas en laboratorio: degradar organofosfatos y escindir péptidos.

RFdiffusion3 diseña proteínas átomo por átomo y dos enzimas funcionaron en laboratorio

RFdiffusion3 es un sistema de inteligencia artificial generativa diseñado para crear proteínas en el contexto de otras moléculas, incluidos ligandos y ácidos nucleicos. Según el reporte original sobre la herramienta, dos enzimas diseñadas con ella realizaron las reacciones previstas en pruebas de laboratorio. El mismo reporte indica que, en una comparación con 41 sitios activos de enzimas, la nueva versión superó a RFdiffusion2 en 37 casos.

El avance apunta a un cambio en el uso de la IA para estudiar biomoléculas: en lugar de limitarse a estimar cómo podría plegarse una proteína, el sistema genera estructuras nuevas de acuerdo con condiciones de diseño. El Instituto de Diseño de Proteínas de la Universidad de Washington describe RFdiffusion3 como un modelo capaz de generar proteínas que interactúan con distintos tipos de moléculas presentes en las células.

Las proteínas son moléculas formadas por cadenas de aminoácidos, y su forma tridimensional influye en las tareas que pueden realizar, desde interactuar con otras moléculas hasta facilitar reacciones químicas. Diseñarlas implica algo más que producir una estructura visualmente plausible: la disposición de sus componentes debe permitir que la molécula cumpla una función concreta, una exigencia que el equipo aborda mediante instrucciones para el sistema.

El proyecto cuenta con la participación de investigadores de la Universidad de Washington y una colaboración con NVIDIA, según información del Instituto de Diseño de Proteínas. El reporte original también menciona a la Universidad de Oxford entre las instituciones vinculadas al trabajo. David Baker, profesor de la Universidad de Washington y director de ese instituto, es uno de los investigadores asociados al proyecto y recibió el Premio Nobel de Química de 2024.

RFdiffusion3 se basa en versiones anteriores de la familia de modelos: RFdiffusion apareció en 2023 y RFdiffusion2 fue desarrollada en 2025, según la información disponible. La tercera versión amplía el tipo de componentes moleculares que pueden incorporarse al diseño. El Instituto de Diseño de Proteínas informó que RFdiffusion3 fue liberado como software de código abierto el 3 de diciembre de 2025.

El sistema trabaja con estructuras a nivel atómico y puede generar proteínas en el contexto de ligandos, ácidos nucleicos y otros componentes no proteicos, de acuerdo con la descripción de RFdiffusion3 publicada por el Centro Nacional de Investigación en Supercomputación de los Institutos Nacionales de Salud de Estados Unidos. Ese nivel de detalle permite plantear condiciones de diseño que toman en cuenta la interacción de la proteína con otras moléculas.

Entre las capacidades que destaca el reporte original figuran el uso de restricciones de diseño: los investigadores pueden especificar dónde deben ubicarse ciertos átomos y añadir condiciones sobre la formación de enlaces de hidrógeno. También pueden establecer cómo deben distribuirse espacialmente componentes particulares, para que el sistema genere estructuras que respondan a los requisitos planteados.

Este enfoque permite orientar la generación hacia una función prevista en vez de pedir únicamente una estructura cualquiera. En términos prácticos, las condiciones acotan el espacio de soluciones que la IA puede proponer. Sin embargo, los resultados computacionales deben contrastarse con experimentos para comprobar qué ocurre fuera del modelo.

El reporte original compara RFdiffusion3 con RFdiffusion2 usando 41 sitios activos de enzimas, es decir, regiones relacionadas con la actividad química de esas moléculas. Según esa fuente, la nueva herramienta obtuvo mejores resultados en 37 de los 41 casos. Por separado, el Instituto de Diseño de Proteínas señaló que RFdiffusion3 funciona aproximadamente diez veces más rápido que RFdiffusion2.

La validación experimental aporta una señal adicional frente a las evaluaciones computacionales: el reporte original indica que dos enzimas diseñadas por RFdiffusion3 realizaron las reacciones previstas en pruebas de laboratorio. Una degradó organofosfatos y la otra escindió péptidos, es decir, cortó esos fragmentos de proteínas. La información disponible no detalla cifras de eficiencia ni otros parámetros de las reacciones.

Estos resultados muestran que algunos diseños producidos con el sistema tuvieron actividad en los experimentos descritos, pero no significan que cualquier estructura generada vaya a funcionar ni que el método resuelva por completo el diseño de proteínas. La predicción y la generación computacionales pueden proponer candidatos; los ensayos experimentales permiten determinar si una molécula concreta realiza la tarea prevista bajo las condiciones probadas.

Una nota de EurekAlert fechada el 15 de octubre de 2026 presentó RFdiffusion3 como un sistema de IA para diseñar biomoléculas. La fecha corresponde a la publicación de esa nota; la información disponible no permite precisar aquí el día exacto de publicación del estudio en Science. El código del sistema ya se había liberado como software de código abierto el 3 de diciembre de 2025, según el Instituto de Diseño de Proteínas.

La apertura del código y la descripción del método ofrecen a otros investigadores una referencia para examinar la herramienta y valorar nuevos diseños, aunque la información disponible no detalla el alcance de su adopción ni aplicaciones posteriores. Por ahora, la evidencia descrita es más acotada: un sistema de diseño a escala atómica, resultados superiores a RFdiffusion2 en la mayoría de los sitios evaluados y dos enzimas que, según el reporte original, cumplieron sus funciones en laboratorio.

El paso de predecir estructuras a diseñarlas según una función convierte a RFdiffusion3 en una herramienta de ingeniería molecular, con resultados que todavía requieren pruebas para cada caso. La combinación de restricciones atómicas, velocidad y validación experimental ofrece una vía para explorar proteínas nuevas, sin confundir las demostraciones actuales con una garantía de éxito general.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados