Un modelo donde antes había dos
Nvidia y el Institute for Protein Design de la Universidad de Washington han publicado RFD4-Proteina, un modelo abierto de diseño de proteínas que genera la secuencia y la estructura atómica completa en un solo paso.
Ese es el cambio estructural. El diseño de proteínas se ha hecho normalmente como un relevo: un modelo propone un esqueleto, un segundo modelo como ProteinMPNN elige los aminoácidos que encajan y un tercero comprueba el resultado. RFD4-Proteina combina un modelo de flow matching con un autocodificador que representa cada residuo, azúcar o nucleótido como una coordenada de átomo ancla más un vector latente, y genera ambos a la vez. El traspaso desaparece. El modelo también puede diseñar alrededor del contexto molecular que el relevo manejaba con torpeza: proteínas diana, moléculas pequeñas, ácidos nucleicos, glicanos, iones metálicos y residuos modificados.
Qué cuenta la cifra del titular
En 24 dianas de unión a proteínas, Nvidia afirma que RFD4-Proteina en su ajuste alto de «pensamiento» produjo 76,40 diseños estructuralmente distintos por hora de GPU que cumplían sus criterios. El segundo mejor método probado, Proteina-Complexa, produjo 13,24.
Conviene leer los criterios, porque son lo que aquí significa «válido»: un pTM del ligando de al menos 0,80, un PAE mínimo de interfaz de 1,5 ángstrom o mejor y un RMSD del esqueleto alineado con la diana de 2,5 ángstrom o mejor. Son puntuaciones que un ordenador asigna a la predicción de un ordenador. Nada en esa cifra dice que una proteína diseñada se haya sintetizado, se haya plegado como se predijo ni se haya unido a nada.
Lo dice la propia Nvidia. Su nota de prensa señala que los resultados más amplios —mayores tasas de éxito computacional y mayor rendimiento que las referencias en unión a proteínas, unión a moléculas pequeñas, andamiaje enzimático y unión al ADN— proceden de un borrador de investigación, y que aún hacen falta pruebas de laboratorio para confirmarlos. La publicación en Hugging Face lo repite: se necesita validación experimental para confirmar la unión.
El ajuste de «pensamiento» tiene tres niveles, bajo, medio y alto, y controla cuánto refina el modelo cada diseño mientras lo genera. Los ajustes altos elevan las probabilidades de pasar los filtros in silico y cuestan más cómputo por diseño, que es justamente el canje que mide la cifra del titular.
Distribuido por todos a la vez
La lista de distribución es insólita. Nvidia dice que el modelo está disponible a través de Amazon Bio Discovery, Claude Science de Anthropic, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI y Tamarind Bio: las plataformas de tres laboratorios de frontera competidores el mismo día.
Un Space dedicado de Hugging Face lo ejecuta en GPU RTX PRO 6000, con Nvidia patrocinando el acceso gratuito del 21 de octubre al 4 de noviembre. Después el Space dedicado deja de ser gratuito, y un Space ZeroGPU en capacidad compartida sigue siendo gratis sujeto a las cuotas de cuenta. Ambos ejecutan el cribado SecureDNA sobre entradas y salidas, con un cliente local que convierte en hash y cifra las secuencias antes de que nada salga del contenedor.
Qué vigilar
David Baker, director del Institute for Protein Design y galardonado con el Nobel de Química de 2024, presentó el lanzamiento como un paso «desde una era de descubrir las proteínas que ha hecho la naturaleza». Kimberly Powell, vicepresidenta de salud de Nvidia, lo vinculó al impulso más amplio de la compañía en IA agéntica para la medicina.
La cifra que zanjará esto no es 76,40. Es cuántos de esos diseños se unen cuando alguien los fabrica. Nvidia menciona a Genedata, que trabaja dentro del laboratorio autónomo de Danaher, como socio que ejecutará un cocientífico de IA para coordinar diseño y prueba de proteínas con el modelo. De ahí saldría una tasa de acierto en laboratorio, y hasta que la haya, la cifra de rendimiento describe con qué rapidez el modelo produce candidatos, no cuántos funcionan.
