La materia está en constante movimiento, incluso a una escala tan pequeña como la de las moléculas. Las proteínas se pliegan y despliegan, las membranas celulares regulan el paso de sustancias y ciertas estructuras moleculares actúan como “motores microscópicos”. Comprender cómo se producen estos movimientos es fundamental para conocer los mecanismos que sustentan la vida. Sin embargo, muchos de estos procesos suceden en escalas de tiempo que los ordenadores tradicionales tienen dificultades para reproducir.

Una investigación internacional en la que participa la Universidad Politécnica de Madrid (UPM) ha desarrollado una metodología basada en inteligencia artificial capaz de reconstruir estos acontecimientos moleculares y estudiar cómo se producen sus transformaciones. El trabajo, publicado en la revista científica Nature, combina inteligencia artificial generativa y simulaciones moleculares para explorar rutas de transición que resultan especialmente costosas de identificar mediante los métodos convencionales.

La metodología, denominada Gen-COMPAS, permite generar y analizar configuraciones moleculares intermedias sin imponer de antemano el camino que debe seguir la molécula. De este modo, los investigadores pueden estudiar cómo se conectan distintos estados de un sistema y reconstruir procesos que pueden desarrollarse en escalas de tiempo del orden de los milisegundos, difíciles de alcanzar mediante simulaciones tradicionales.

Cuando los movimientos moleculares escapan a los ordenadores

Las simulaciones de dinámica molecular permiten estudiar el comportamiento de átomos y moléculas mediante las leyes que describen sus interacciones físicas. Son herramientas esenciales para investigar sistemas biológicos, pero tienen una limitación importante: algunos acontecimientos moleculares son tan poco frecuentes que pueden pasar enormes cantidades de tiempo de cálculo sin que lleguen a producirse.

“Nuestro desafío era conseguir que los ordenadores simulen en tiempos muy razonables procesos moleculares y físicos que en la naturaleza requieren escalas de tiempo inalcanzables para la computación tradicional. Es como intentar observar una transformación que sucede de forma excepcional mientras se graba una escena durante un periodo demasiado corto”, explica Alberto Megías, investigador del Departamento de Matemática Aplicada y Grupo de Sistemas Complejos de la UPM y uno de los coautores del trabajo.

Para superar esta barrera, la herramienta desarrollada porel investigador de la UPM utiliza inteligencia artificial generativa para proponer configuraciones moleculares y localizar posibles rutas entre diferentes estados. Posteriormente, las simulaciones físicas permiten evaluar estos movimientos y estudiar su comportamiento.

Una de las claves del método es que no necesita que los investigadores definan previamente las coordenadas que describen la transformación molecular ni que establezcan de antemano la ruta que consideran más probable. La inteligencia artificial ayuda a explorar las alternativas y las leyes físicas permiten comprobar su validez.

Además, los investigadores han comprobado que las trayectorias generadas respetan la mecánica estadística del sistema. Esto resulta fundamental para garantizar que la metodología no introduzca atajos incompatibles con la física ni altere artificialmente la dinámica molecular que pretende reproducir. “Comprobamos que las trayectorias generadas por la IA respetan fielmente la mecánica estadística, garantizando que la máquina no "inventa" atajos no físicos y predice la cinética real del sistema”, explica el investigador de la UPM.

Nuevas oportunidades para la biomedicina y el desarrollo de medicamentos

Los investigadores han aplicado esta metodología a diferentes sistemas, desde proteínas pequeñas hasta complejos moleculares de gran relevancia biológica.

Entre los resultados destacan la reconstrucción de los procesos de plegamiento y desplegamiento de proteínas como la chignolin y el dominio villin headpiece. Estos procesos, fundamentales para comprender cómo adquieren las proteínas su estructura funcional, incluyen acontecimientos poco frecuentes que pueden desarrollarse en escalas de tiempo del orden de los milisegundos.

El método también se ha aplicado al transportador mitocondrial de ADP/ATP, responsable de intercambiar moléculas esenciales para el metabolismo energético celular; a las V-ATPasas, complejos proteicos que funcionan como motores moleculares y participan en el transporte de protones; y al receptor nicotínico de acetilcolina, un canal iónico de la membrana celular cuya activación permite el paso de iones a través de ella.

“Estos ejemplos muestran el potencial de la metodología para estudiar sistemas muy diferentes y reconstruir sus cambios de conformación, es decir, las transformaciones de su estructura tridimensional que permiten que las moléculas desempeñen distintas funciones, algo que es especialmente aplicable al campo de la biomedicina y el desarrollo de fármacos”, asegura Megías.

Y es que, precisamente en el desarrollo de fármacos es donde esta tecnología puede marcar avances significativos ya que muchos de los medicamentos que hay en el mercado y que se están investigando actualmente actúan uniéndose a proteínas u otras estructuras moleculares y modificando su actividad. Sin embargo, estas dianas terapéuticas no son estructuras rígidas: cambian de forma y pueden presentar cavidades o zonas de unión que aparecen y desaparecen durante su movimiento por lo que la capacidad de reconstruir estas transformaciones podría ayudar diseñar moléculas más eficaces y orientar las primeras fases de investigación farmacológica.

La metodología también podría aplicarse al estudio de mecanismos de reacción química complejos, con el objetivo de facilitar el diseño de catalizadores más eficientes y sostenibles. Asimismo, ofrece nuevas posibilidades para investigar las transiciones de fase de los materiales, un conocimiento relevante para desarrollar materiales con propiedades avanzadas. Todas ellas, aplicaciones que representan líneas de desarrollo con potencial científico e industrial

Para los investigadores, la importancia del trabajo en el que han participado también investigadores de la Université de Lorraine y el Centro Nacional para la Investigación Científica de Francia (CNRS), radica en que demuestra el “potencial de la inteligencia artificial como herramienta para explorar fenómenos que hasta ahora resultaban difíciles de estudiar y abre nuevas perspectivas para comprender, con mayor detalle, cómo se mueve y transforma la materia a escala molecular”, concluye el investigador.

Fuente: Tang, C., Pandey, M. P., Chen, C. G., Megías, A., Dehez, F., & Chipot, C. (2026). Breaking timescales with generative sampling of conformational transitions. Nature, 657(8133), 944-949. https://doi.org/10.1038/s41586-026-11025-1