La predicción de estructuras de proteínas vive un momento dulce: AlphaFold y sus sucesores han pasado de ser una promesa a una herramienta cotidiana en laboratorios de todo el mundo. Pero hay una familia de proteínas que sigue resistiéndose: los amiloides, esas formas fibrilares que se acumulan en enfermedades como el alzhéimer o el párkinson. Un trabajo publicado en Scientific Reports ha medido con lupa hasta dónde llega AlphaFold 3 (AF3) en este terreno. El resumen honesto: a veces acierta, pero también fabrica fibras donde no las hay.

Cómo lo han medido

El equipo formado por Alicja W. Wojciechowska, Jakub Wiktor Wojciechowski y Gert Vriend diseñó tres conjuntos de prueba para separar el acierto de la casualidad:

• Conjunto 1: 153 proteínas y péptidos que se sabe que forman fibrillas, pero cuya estructura 3D no se ha determinado experimentalmente.
• Conjunto 2: 56 péptidos que no agregan ni forman amiloides. Es el control negativo, la parte más interesante del diseño.
• Conjunto 3: siete proteínas con estructura fibrilar ya conocida, para comprobar si el modelo reproduce lo que ya está resuelto.

Los resultados dibujan un panorama mixto. AF3 predijo estructuras fibrilares para el 34 % del conjunto 1, lo cual suena modesto pero no ridículo. El problema llega con el control: también las predijo para el 54 % del conjunto 2, es decir, para péptidos que en la realidad no forman amiloides. Dicho de otro modo, el modelo genera fibras con más alegría entre los falsos positivos que entre los positivos reales. En el conjunto 3, con estructuras conocidas, acertó en cinco de siete.

Por qué falla donde falla

Los autores apuntan a una explicación que tiene mucho sentido: AF3 aprende de lo que hay en el Protein Data Bank (PDB), y en el PDB las estructuras amiloides son escasas mientras que abundan las formas globulares y transmembrana de esas mismas proteínas. El modelo ha visto miles de ejemplos de la versión "sana" y muy pocos de la versión fibrilar. Se nota en un detalle revelador: AF3 tiende a asignar mejor puntuación de calidad a los modelos oligoméricos globulares que a los fibrilares, incluso cuando la respuesta correcta es la fibra.

Hay otro patrón útil para quien vaya a usar la herramienta: las predicciones correctas son más probables con fragmentos cortos que con proteínas completas.

En la comparación con otros programas, AF3 superó a Boltz. Frente a RibbonFold el reparto fue desigual: AF3 modeló mejor CsgA y la α-sinucleína, mientras que RibbonFold se defendió mejor con Aβ-42. Ningún método gana en todos los casos, lo que sugiere que de momento conviene cruzar herramientas antes que confiar en una sola.

Qué no dice el estudio

Conviene ser preciso con el alcance. Esto es una evaluación de rendimiento sobre tres conjuntos concretos, no un veredicto sobre AF3 en general ni sobre la biología de estas enfermedades. Los propios autores enmarcan el problema como una limitación de los datos disponibles, no como un defecto insalvable del método: si el PDB se llena de estructuras amiloides resueltas experimentalmente, es razonable esperar que los modelos mejoren.

Por qué importa

Las fibras amiloides están en el centro de varias enfermedades neurodegenerativas y determinarlas en el laboratorio es lento y caro. La tentación de tirar de predicción computacional es enorme, y ahí está el aviso: un modelo que produce fibras plausibles para más de la mitad de los péptidos que no las forman puede enviar a un grupo de investigación por un camino equivocado durante meses. El valor de trabajos como este no es desacreditar la herramienta, sino dibujar el mapa de dónde se puede confiar en ella y dónde toca volver al microscopio. Este texto es un resumen propio del artículo, no una traducción.