Isomorphic Labs, la compañía de medicina basada en IA de Google DeepMind, presentó el Isomorphic Labs Drug Design Engine (IsoDDE), un sistema unificado de diseño computacional de fármacos que “más que duplica” la precisión de AlphaFold 3 en un benchmark exigente de estructuras proteína?ligando, predice afinidades de unión con una exactitud que supera métodos físico?químicos de referencia como FEP en una fracción del tiempo y del costo, y es capaz de identificar bolsillos de unión novedosos a partir de la sola secuencia de aminoácidos.

La plataforma apunta a cerrar la brecha entre la predicción de estructura y la puesta en marcha de verdaderos programas de descubrimiento de fármacos in silico, con implicancias directas para la industria biofarmacéutica y el desarrollo de nuevos medicamentos.

De AlphaFold 3 a IsoDDE: un salto en generalización para estructuras proteína?ligando

Desde el lanzamiento de AlphaFold 3 en 2024 junto a Google DeepMind, la predicción de estructuras biomoleculares vivió un salto dramático, pero no suficiente para traducirse por sí sola en programas de descubrimiento de fármacos en el mundo real. El propio equipo reconoce que “entender las estructuras biomoleculares por sí solo no era suficiente para desbloquear programas de drug discovery in silico”.?

IsoDDE se presenta como un sistema computacional de diseño de fármacos unificado, que avanza “más allá de AlphaFold 3 en su precisión predictiva” y que, según Isomorphic Labs, “más que duplica la precisión de AlphaFold 3” en la categoría más difícil del benchmark “Runs N’ Poses”, diseñado para probar la generalización a nuevos pockets y ligandos altamente disímiles a los datos de entrenamiento.

En estos sistemas de baja similitud (bin 0?20), el motor es capaz de modelar eventos complejos como induced fit y la apertura de pockets crípticos, incluso cuando las dianas se encuentran lejos del espacio cubierto en el entrenamiento.

Anticuerpos y biológicos complejos: 2,3 veces mejor que AlphaFold 3 en interfaces de alta fidelidad

El comunicado subraya que las pequeñas moléculas “son solo una pieza del rompecabezas” y que, a medida que las modalidades terapéuticas se expanden hacia biológicos complejos, se vuelve crítico poder modelar con precisión las interfaces anticuerpo?antígeno. IsoDDE marca “un cambio de escala en la precisión” para este dominio.

En un set de prueba desafiante y de baja homología de 334 complejos anticuerpo?antígeno, IsoDDE supera a AlphaFold 3 por 2,3 veces y a Boltz?2 por 19,8 veces en el régimen de alta fidelidad (DockQ > 0,8), es decir, en la fracción de predicciones de interfaz consideradas de calidad alta. El sistema muestra un desempeño “notable” en el bucle CDR?H3, la región más variable y difícil de un anticuerpo, “desbloqueando nuevas posibilidades para el diseño de anticuerpos de novo”.

Nueva referencia en predicción de afinidad: IsoDDE supera a métodos basados en física como FEP

Más allá de conocer la estructura 3D de un complejo, la optimización fina de un candidato requiere saber con cuánta fuerza se unirá un ligando a su diana. El equipo recuerda que los enfoques tradicionales están limitados por la similitud química con los datos de entrenamiento o por su alto costo computacional y complejidad de ejecución, como en el caso de los métodos basados en física (por ejemplo, FEP).

Según Isomorphic Labs, IsoDDE “supera a todos los métodos de deep learning por un margen considerable” en tres benchmarks públicos de afinidad de unión —FEP+ 4, OpenFE y la tarea ciega de CASP16— y, “de forma notable”, puede “superar el rendimiento de métodos basados en física como FEP, pese a que estos requieren estructuras cristalográficas experimentales y IsoDDE no”. Al ofrecer predicciones de afinidad altamente precisas y rápidas, el motor permite ordenar y optimizar series químicas diversas en cuestión de segundos, reduciendo tiempos y costos en programas de diseño de fármacos.

Identificación “a ciegas” de bolsillos y el caso cereblon: IA que se acerca a la experimentación

Otro eje clave es la expansión del proteoma ligandeable: la capacidad de detectar todos los posibles bolsillos de unión en una proteína en ausencia de un ligando conocido. IsoDDE “demuestra la capacidad de identificar bolsillos novedosos y ligandeables incluso sin un ligando conocido y lejos del set de entrenamiento”, alcanzando niveles de desempeño que se acercan a técnicas experimentales como el fragment soaking, pero “en cuestión de segundos y sin el costo ni el trabajo de laboratorio”.?

El artículo destaca el ejemplo de cereblon, receptor de sustrato del complejo ubiquitina ligasa CRL4 E3, históricamente abordado a través del clásico bolsillo de unión de talidomida. Un estudio reciente de Dippon et al. 2026 descubrió experimentalmente “un nuevo bolsillo de unión, alostérico y críptico”. IsoDDE “pudo recapitular el descubrimiento de este bolsillo, prediciendo la localización tanto del sitio conocido como del nuevo sitio críptico usando solo la secuencia de cereblon como entrada, sin especificar la identidad de los ligandos”, y, una vez definidos estos, logró plegarlos correctamente en sus respectivos pockets.

Hacia programas de diseño de fármacos 100% in silico

Isomorphic Labs resume que IsoDDE “representa un salto adelante en precisión y capacidad”, aportando “una comprensión más profunda de las máquinas moleculares que componen el cuerpo humano” y “avanzando el proceso de diseñar fármacos para modularlas”. Sus equipos internos de diseño lo usan ya “todos los días” para entender estructuras inéditas, identificar pockets no caracterizados y crear “materia química novedosa” en busca de nuevos medicamentos.

En un momento en que la industria farmacéutica busca acortar ciclos, reducir fracasos clínicos y ampliar el rango de targets tratables, la irrupción de motores como IsoDDE —capaces de superar en algunos escenarios a métodos físico?químicos y de duplicar la precisión de AlphaFold 3 en sistemas fuera de distribución— anticipa una nueva etapa en la convergencia entre IA, diseño computacional de fármacos y la economía global de la innovación en salud.

La entrada En busca de reducir fracasos clínicos y acortar ciclos productivos, Isomorphic Labs presentó IsoDDE se publicó primero en .