Un modelo autoregresivo promete acelerar el diseño de fármacos

Un equipo de investigadores de Mila, el Broad Institute, la Universidad de Montreal, la Universidad de Oxford y el Imperial College London ha desarrollado un nuevo enfoque para el muestreo de equilibrio termodinámico de moléculas. El trabajo, presentado en la 43ª Conferencia Internacional sobre Aprendizaje Automático (ICML 2026), propone los Generadores de Boltzmann Autoregresivos (ARBG), un modelo que abandona la dependencia de los flujos normalizantes, la técnica dominante hasta ahora, para adoptar un paradigma autoregresivo inspirado en los grandes modelos de lenguaje.

El problema central que abordan es el costo computacional de la dinámica molecular tradicional. Cuando se simula el plegamiento de proteínas o la formación de cristales, la dinámica molecular avanza en pasos de femtosegundos, mientras que los eventos relevantes para mezclar modos conformacionales ocurren en escalas de microsegundos a segundos. Esto hace que la mayor parte del tiempo de cómputo se gaste en simular vibraciones dentro de mínimos locales, sin explorar el paisaje energético global. Los Generadores de Boltzmann (BG) surgieron como una alternativa que aprende una distribución de propuesta para muestrear conformaciones de manera independiente y en paralelo, pero su dependencia de flujos normalizantes imponía limitaciones teóricas y prácticas.

ARBG supera estas limitaciones al factorizar la densidad molecular en una secuencia de densidades condicionales, similar a cómo un modelo de lenguaje predice el siguiente token. Esto permite un cálculo exacto de la verosimilitud en una sola pasada, evitando los costosos integradores de ecuaciones diferenciales ordinarias que exigen los flujos continuos. Además, al no requerir que el modelo sea un difeomorfismo, puede representar distribuciones multimodales con modos separados por barreras energéticas, un escenario típico en sistemas moleculares.

Los resultados empíricos muestran que ARBG supera a todos los métodos basados en flujos en los benchmarks evaluados, con un rendimiento particularmente fuerte en sistemas grandes como el decapéptido Chignolin, una molécula de 10 residuos que forma una horquilla beta. El modelo logra una precisión cercana a la de una simulación de dinámica molecular de referencia, pero con una fracción del costo computacional.

El equipo también presentó ROBIN, un modelo transferible de 132 millones de parámetros entrenado con el marco ARBG. ROBIN reduce el error de energía Wasserstein (E-W2) en más del 60% en sistemas de 8 residuos respecto al estado del arte anterior (Prose). Además, ARBG introduce capacidades que no existen en los enfoques basados en flujos, como el Twisted Sequential Monte Carlo, que permite intervenir durante la generación para descartar conformaciones físicamente inviables a medida que se construyen, ahorrando cómputo.

Para ejecutivos del sector farmacéutico y biotecnológico, esta línea de trabajo sugiere que el diseño computacional de proteínas y el descubrimiento de fármacos podrían acelerarse de forma significativa. La capacidad de generar muestras de equilibrio de alta calidad sin necesidad de costosas simulaciones de dinámica molecular abre la puerta a explorar bibliotecas mucho más grandes de compuestos candidatos. La pregunta que queda sobre la mesa es si las organizaciones están preparadas para integrar modelos de este tipo en sus pipelines de I+D.