Anthropic acaba de lanzar un proyecto de descubrimiento de fármacos basado en IA que prioriza las enfermedades desatendidas, y esto plantea una pregunta que los investigadores han estado haciendo durante un año: qué herramientas de IA son realmente utilizables para el descubrimiento de fármacos en fase temprana, no solo demostraciones en papel. La categoría ha crecido rápidamente. AlphaFold pasó de ser una maravilla académica a una herramienta de trabajo. Las alternativas de código abierto como RoseTTAFold se pusieron al día. Nuevas bibliotecas de diseño molecular bajaron la barrera para que un químico ejecute cribados virtuales en una estación de trabajo. Probamos siete aplicaciones de IA para descubrimiento de fármacos para escritorio que cubren diferentes trabajos: predicción de estructura, diseño molecular, cribado y flujo de trabajo.
Cada opción aquí se ejecuta en Windows, macOS o Linux, ya sea como una biblioteca instalada localmente o como un área de trabajo basada en navegador.
Qué buscar en una herramienta de IA para descubrimiento de fármacos
El flujo de trabajo se divide en fases distintas y diferentes herramientas sobresalen en cada una:
- Predicción de estructura. Predecir el pliegue 3D de una proteína a partir de su secuencia. AlphaFold 3, RoseTTAFold All-Atom, Chai-1, Boltz-1 y OpenFold.
- Diseño molecular. Proponer moléculas pequeñas para un objetivo, filtrar por propiedades similares a fármacos. DeepChem.
- Cribado virtual / acoplamiento. Hacer coincidir ligandos candidatos contra una estructura de receptor. AutoDock Vina y sus variantes GPU.
- Predicción de propiedades. Modelado ADMET (absorción, distribución, metabolismo, excreción, toxicidad). DeepChem, más complementos comerciales.
El stack correcto normalmente encadena tres: predecir la estructura del objetivo, cribar una biblioteca de compuestos contra él, y puntuación de los éxitos por propiedades similares a fármacos. Los proyectos de enfermedades desatendidas dependen en gran medida del código abierto por razones de costo.
Comparación rápida
| Herramienta | Mejor para | Plan gratuito | Configuración | Destaca |
|---|---|---|---|---|
| AlphaFold 3 Server | Predicción de estructura, complejos de ligandos | Sí, cuota | Web | 20 trabajos/día, complejos con moléculas pequeñas e iones |
| RoseTTAFold All-Atom | Predicción de estructura de código abierto | Sí | Autohospedado | Modelado completo a nivel de átomo de complejos ligando-proteína |
| DeepChem | Flujo de trabajo ML completo para química | Sí | Biblioteca Python | Conjuntos de datos, modelos y tutoriales en un paquete |
| Chai-1 | Sucesor de pesos abiertos AlphaFold 3 | Sí | Autohospedado | Modelado anticuerpo-antígeno, complejos multicadena |
| Boltz-1 | Modelo de estructura de pesos abiertos MIT | Sí | Autohospedado | Precisión de nivel AlphaFold 3, licencia permisiva |
| OpenFold | AlphaFold reimplementado en PyTorch | Sí | Autohospedado | Entrenable desde cero, extensible |
| AutoDock Vina | Acoplamiento molecular / cribado virtual | Sí | Autohospedado | 20+ años de acoplamiento, variantes GPU (Vina-GPU) disponibles |
Las 7 aplicaciones de IA para descubrimiento de fármacos que probamos
1. AlphaFold 3 Server — mejor predicción de estructura alojada
AlphaFold 3 Server de Google DeepMind e Isomorphic Labs es la forma más rápida de obtener una predicción de estructura de última generación sin configurar ningún cálculo local. Predice estructuras de proteínas únicas, complejos proteína-ácido nucleico y complejos proteína-ligando para moléculas pequeñas e iones. La interfaz web acepta secuencias y SMILES de moléculas pequeñas; los resultados incluyen gráficas PAE y colores de confianza pLDDT.
Dónde se queda corta: Solo uso no comercial a través del servidor. La cuota de trabajo (~20/día) está limitada. Los equipos comerciales necesitan licencia a través de Isomorphic Labs.
Precio: Gratis para investigación no comercial. Licencias comerciales bajo demanda.
Plataformas: Web (Windows, macOS, Linux).
Descargar: alphafoldserver.com
Conclusión: La opción cuando quieres AlphaFold 3 sin poseer una GPU. Solo no comercial; combina Chai-1 o Boltz-1 si necesitas enviar un producto.
2. RoseTTAFold All-Atom — mejor predicción de estructura de código abierto
RoseTTAFold All-Atom del Baker Lab amplía la familia RoseTTAFold para modelar todo en el sistema biológico a resolución atómica: proteínas, ácidos nucleicos, moléculas pequeñas, iones y modificaciones covalentes. Con código abierto y licencia permisiva, es la opción para equipos comerciales que necesitan un predictor de última generación desplegable localmente.
Dónde se queda corta: Los requisitos de GPU son no triviales (se recomiendan 24GB+). La configuración es más pesada que las alternativas alojadas.
Precio: Gratis, código abierto.
Plataformas: Windows (vía WSL), macOS (limitado), Linux.
Descargar: github.com/baker-laboratory/RoseTTAFold-All-Atom
Conclusión: La opción para canales de descubrimiento de fármacos comerciales e industriales que necesitan un modelo de última generación autohospedado.
3. DeepChem — mejor biblioteca de flujo de trabajo completo
DeepChem es la biblioteca Python de código abierto para democratizar el aprendizaje profundo en química, ciencia de materiales y biología. Agrupa conjuntos de datos, implementaciones de modelos, tutoriales y puntos de control preentrenados para que un equipo de química pueda pasar de “tenemos un objetivo” a “tenemos un flujo de trabajo de cribado” en una semana. Compatible con la comunidad y activamente mantenida.
Dónde se queda corta: Amplio en lugar de profundo en cualquier área. Algunos modelos se quedan rezagados del estado del arte de bibliotecas de propósito único.
Precio: Gratis, código abierto.
Plataformas: Windows, macOS, Linux (Python).
Descargar: deepchem.io · GitHub
Conclusión: La opción cuando quieres un flujo de trabajo completo en una biblioteca. El mejor punto de entrada para un equipo nuevo en ML para descubrimiento de fármacos.
4. Chai-1 — mejor sucesor de pesos abiertos AlphaFold 3
Chai-1 de Chai Discovery se lanzó con pesos abiertos y entregó rendimiento competitivo con AlphaFold 3 en los puntos de referencia CASP. Fuerte en modelado anticuerpo-antígeno y complejos multicadena, que es importante para el trabajo de biológicos. Se ejecuta localmente en una GPU de estación de trabajo.
Dónde se queda corta: Más nuevo que la familia RoseTTAFold; las integraciones de la comunidad aún se están poniendo al día. La documentación es más delgada.
Precio: Gratis, pesos abiertos (ver licencia).
Plataformas: Windows (vía WSL), Linux; macOS vía CPU o MPS.
Descargar: chaidiscovery.com · GitHub
Conclusión: La opción cuando necesitas precisión de nivel AlphaFold 3 localmente y licencia permisiva. Mejor para diseño de anticuerpos.
5. Boltz-1 — modelo de estructura de pesos abiertos MIT
Boltz-1 de la Clínica Jameel del MIT se lanzó como un predictor de estructura de pesos abiertos de nivel AlphaFold 3 con licencia permisiva. Fuerte en complejos proteína-ligando y fácil de ajustar, lo que permite que grupos de investigación adapten el modelo a su clase objetivo.
Dónde se queda corta: El más joven de las opciones de pesos abiertos. Las mejores prácticas de la comunidad aún se están consolidando.
Precio: Gratis, pesos abiertos (licencia MIT).
Plataformas: Linux; Windows vía WSL. macOS vía CPU.
Descargar: github.com/jwohlwend/boltz
Conclusión: La opción cuando quieres el modelo de licencia más permisivo de nivel AlphaFold 3 y planeas ajustar.
6. OpenFold — AlphaFold en PyTorch
OpenFold del Consorcio OpenFold reimplementa AlphaFold en PyTorch, lo reentrena en datos públicos y libera todo: pesos, código de entrenamiento, preparación de datos. Si quieres entrenar tu propia versión, adaptar la arquitectura o estudiar el modelo, OpenFold es por donde empiezas.
Dónde se queda corta: No es tan preciso como los sucesores de nivel AlphaFold 3 en los puntos de referencia más recientes. El entrenamiento desde cero requiere un cálculo sustancial.
Precio: Gratis, código abierto.
Plataformas: Linux; Windows vía WSL.
Descargar: github.com/aqlaboratory/openfold
Conclusión: La opción para grupos de investigación que quieren extender el modelo, no solo consumir sus predicciones.
7. AutoDock Vina — mejor herramienta de acoplamiento molecular
AutoDock Vina ha sido el caballo de batalla del cribado virtual durante dos décadas, y el ecosistema alrededor de él (PyRx para cribados por lotes, Vina-GPU para ejecuciones aceleradas, funciones de puntuación personalizadas) lo mantiene competitivo con herramientas comerciales. Rápido, bien documentado, y la herramienta de referencia que muchas canales publicadas aún citan.
Dónde se queda corta: La función de puntuación es anticuada en relación con los puntuadores modernos basados en ML. La configuración para grandes cribados requiere esfuerzo.
Precio: Gratis, código abierto.
Plataformas: Windows, macOS, Linux.
Descargar: vina.scripps.edu · GitHub
Conclusión: La opción para cribado virtual. Empareja con un predictor de estructura arriba para el flujo de trabajo completo.
Cómo elegir el correcto
- Si necesitas una predicción de estructura sin poseer una GPU: AlphaFold 3 Server.
- Si necesitas predicción de estructura segura comercialmente autohospedada: RoseTTAFold All-Atom, Chai-1 o Boltz-1.
- Si quieres un flujo de trabajo de código abierto completo en una biblioteca: DeepChem.
- Si planeas extender o entrenar el modelo tú mismo: OpenFold.
- Si necesitas cribado virtual hoy: AutoDock Vina, idealmente la variante GPU.
Para un proyecto de enfermedad desatendida (siguiendo el posicionamiento de Anthropic), el stack de código abierto — RoseTTAFold o Chai-1 para estructura, DeepChem para el flujo de trabajo ML, AutoDock Vina para cribado — mantiene costos bajos y procedencia clara.
Preguntas Frecuentes
¿Cuál es la mejor herramienta gratuita de IA para descubrimiento de fármacos? AlphaFold 3 Server para predicción de estructura alojada, DeepChem para flujo de trabajo completo en una biblioteca, AutoDock Vina para cribado virtual. Los tres son gratis.
¿Puedo usar AlphaFold 3 comercialmente? No a través del servidor gratuito. El uso comercial va a través de licencias Isomorphic Labs. Las alternativas de pesos abiertos (RoseTTAFold All-Atom, Chai-1, Boltz-1) tienen licencias permisivas.
¿Se ejecutan sin conexión? Sí para los siete excepto AlphaFold 3 Server. Las ejecuciones locales requieren cálculo GPU; una estación de trabajo con 24GB VRAM cubre la mayoría de los flujos de trabajo.
¿Qué hardware necesito? Para predicción de estructura localmente: se recomiendan 24GB+ VRAM GPU para modelos de nivel AlphaFold 3. DeepChem y AutoDock Vina se ejecutan en hardware modesto, aunque la aceleración GPU ayuda en cribados grandes.
¿Ayuda Claude de Anthropic con flujos de trabajo de descubrimiento de fármacos? Claude Science, lanzado por separado del programa de enfermedades desatendidas, es un área de trabajo que puede impulsar muchas de estas herramientas programáticamente. No reemplaza los modelos subyacentes; los orquesta.
