NYU Tautomer-Predictor pone en evidencia una debilidad oculta en el descubrimiento de fármacos con IA

Investigadores de NYU entrenaron NYU Tautomer-Predictor con más de 1,1 millones de estados moleculares, abordando una pequeña ambigüedad química con consecuencias en todo el descubrimiento de fármacos. El modelo predice dónde se sitúan los átomos de hidrógeno en moléculas similares a fármacos, sin ejecutar primero costosos cálculos cuánticos. Esto importa porque mover un solo hidrógeno puede cambiar cómo parece unirse un candidato a una proteína.

El sistema de código abierto aborda la tautomería, un fenómeno en el que una molécula alterna entre formas estrechamente relacionadas a medida que se desplaza un hidrógeno y se reorganizan los enlaces químicos. Los investigadores a menudo deben escoger una forma antes de iniciar el docking, el cribado virtual o la dinámica molecular. Una elección errónea puede distorsionar todos los cálculos posteriores.

La historia de fondo no es que la IA haya aprendido otra tarea de química. Es que muchas sofisticadas canalizaciones de diseño de fármacos siguen dependiendo de una asignación molecular básica que sus estructuras experimentales no revelan de forma fiable. Los modelos estructurales al estilo AlphaFold, el software de docking y los sistemas generativos pueden producir predicciones detalladas, pero esas predicciones siguen siendo vulnerables a entradas químicas incorrectas.

NYU Tautomer-Predictor convierte datos cristalográficos en una herramienta de cribado

El equipo de NYU convirtió un archivo poco valorado de átomos de hidrógeno localizados experimentalmente en datos de entrenamiento para la predicción de tautómeros con IA a gran escala.

El estudio, publicado en Chemical Science el 23 de septiembre de 2026, fue liderado por el primer autor Xiaolin Pan y el autor principal Yingkai Zhang. Chao Han y Fengyang Han también contribuyeron. Los cuatro investigadores están afiliados al Departamento de Química de New York University, mientras que Zhang también forma parte del Simons Center for Computational Physical Chemistry.

Su objetivo era un problema persistente en la química computacional. Muchas moléculas similares a fármacos existen como dos o más tautómeros, que tienen la misma fórmula molecular pero distintas posiciones de hidrógeno y patrones de enlace. Por tanto, un tautómero no es un compuesto diferente en el sentido habitual. Es una disposición química alternativa que puede adoptar el mismo compuesto.

Esa distinción puede afectar al reconocimiento molecular. Un hidrógeno desplazado cambia qué átomos pueden donar o aceptar enlaces de hidrógeno. También puede alterar la distribución de carga, la geometría local y el coste energético de la unión. Un bolsillo proteico que parece compatible con una representación puede interactuar de otro modo con otra.

El software de diseño de fármacos no puede ignorar esa elección. Un cálculo de docking necesita una estructura de ligando definida. La dinámica molecular requiere átomos y enlaces asignados. Los cálculos de energía libre también parten de una representación química concreta. Cuando el tautómero seleccionado es incorrecto, la precisión computacional no puede corregir el error inicial.

Los datos necesarios para resolver esta cuestión han sido históricamente limitados. Los experimentos en disolución que distinguen tautómeros suelen abarcar solo cientos de moléculas, según el anuncio de investigación de NYU. Esa escala limita los sistemas de aprendizaje automático, especialmente cuando los investigadores quieren que se generalicen a amplias bibliotecas químicas.

El Protein Data Bank presenta otra dificultad. Sus estructuras de proteínas y complejos proteína-ligando suelen determinarse mediante cristalografía de rayos X, pero las estructuras macromoleculares por lo general carecen de resolución suficiente para localizar átomos de hidrógeno de forma fiable. Estos átomos son especialmente difíciles de observar porque el hidrógeno contiene solo un electrón y dispersa débilmente los rayos X.

Pan y sus colegas recurrieron en cambio a la Cambridge Structural Database. Este repositorio contiene estructuras cristalinas de moléculas pequeñas determinadas experimentalmente, muchas con posiciones de hidrógeno resueltas con mayor precisión. Los investigadores extrajeron más de 1,1 millones de estados tautómeros de ese material.

Utilizaron esos estados para entrenar una red neuronal gráfica bidimensional. Una red neuronal gráfica representa los átomos como puntos conectados y los enlaces como sus conexiones, lo que permite al modelo aprender patrones químicos a partir de la topología molecular. El modelo no requiere un confórmero tridimensional ni un cálculo de energía mecánico-cuántica antes de realizar su predicción.

El estudio sobre tautómeros revisado por pares informa de una exhaustividad de 0,97 y una precisión de 0,88 en un conjunto de prueba que abarca estructuras cristalinas, referencias de disolución acuosa y moléculas similares a fármacos. La exhaustividad mide con qué frecuencia el sistema recupera estados estables relevantes. La precisión mide con qué frecuencia sus predicciones positivas son correctas según las etiquetas del estudio.

Estos resultados hacen que el sistema sea prometedor como herramienta de filtrado y asignación. No significan que ofrezca una respuesta universalmente correcta en cada disolvente, bolsillo proteico o entorno biológico. El modelo aprendió principalmente de posiciones de protones observadas en cristales, mientras que el descubrimiento real de fármacos implica condiciones químicas cambiantes.

Aun así, la escala cambia lo que es operativamente posible. Los conjuntos de datos experimentales anteriores eran demasiado pequeños para ofrecer la misma amplitud. Al tratar las posiciones de hidrógeno cristalográficas como supervisión, el equipo creó un conjunto de entrenamiento lo bastante grande para el cribado a escala de bibliotecas.

Esa estrategia de datos es el avance central. La arquitectura importa, pero la idea más aguda del estudio es que un archivo científico existente contenía etiquetas útiles ocultas a plena vista. El equipo no necesitó generar más de un millón de nuevas mediciones de laboratorio. Reorganizó la evidencia estructural disponible en torno a una tarea de predicción desatendida.

Un hidrógeno puede remodelar una interacción entre fármaco y proteína

La asignación de tautómeros es una decisión inicial, por lo que un error puede propagarse por el docking, la puntuación, la simulación y la selección de compuestos líderes.

Un candidato a fármaco debe interactuar con su objetivo mediante una combinación de forma, electrostática, enlaces de hidrógeno y movimiento. Los tautómeros pueden alterar varios de esos factores sin cambiar la fórmula molecular del compuesto. Esto hace que el problema sea fácil de subestimar y difícil de detectar más tarde.

Considérese un ligando con un hidrógeno que puede ocupar uno de dos átomos de nitrógeno. En una forma, el primer nitrógeno dona un enlace de hidrógeno, mientras que el segundo acepta uno. Mover el hidrógeno puede invertir esas funciones. El bolsillo proteico no ha cambiado, pero sí la red de interacción predicha.

Los programas de docking suelen colocar ligandos candidatos en un sitio de unión y puntuar las poses resultantes. Si el tautómero de entrada ofrece donantes y aceptores incorrectos, el software puede preferir una orientación poco realista. También puede clasificar a un candidato más débil por encima de uno más fuerte porque sus representaciones químicas se prepararon de forma inconsistente.

La dinámica molecular añade tiempo y movimiento, pero no corrige automáticamente todas las asignaciones químicas. La simulación sigue los átomos, enlaces y parámetros de campo de fuerzas suministrados. Como explicó Zhang en el anuncio de investigación, el tautómero incorrecto puede alterar las interacciones y dinámicas predichas porque esos cálculos requieren posiciones de hidrógeno y enlaces correctamente asignados.

Por eso la predicción de tautómeros en el descubrimiento de fármacos es más que una tarea de limpieza. Se sitúa cerca del inicio de una cadena de dependencias. Los errores introducidos allí pueden persistir en los resultados de cribado virtual, las estimaciones de energía libre y la selección de moléculas para síntesis.

El equipo evaluó esta preocupación en 5.075 ligandos de PDBbind que podían ocupar múltiples estados tautómeros. PDBbind es una colección curada que conecta estructuras proteína-ligando con datos de unión. El modelo señaló 126 asignaciones de ligandos como probablemente incorrectas, equivalentes a aproximadamente el 2,5 por ciento del conjunto evaluado.

Para cada caso señalado, la asignación alternativa del modelo produjo patrones de enlaces de hidrógeno mejorados y menos átomos polares insatisfechos. Un átomo polar insatisfecho es capaz de una interacción polar favorable, pero carece de un compañero adecuado en su entorno modelado. Reducir estas discordancias puede hacer que una pose de unión sea químicamente más plausible.

Ese resultado debe interpretarse con cautela. Los investigadores no afirmaron que las estructuras proteicas determinadas experimentalmente fueran incorrectas. Sostuvieron que la representación química asignada al ligando podría justificar una revisión. Las coordenadas atómicas y la descripción formal adjunta a esas coordenadas están relacionadas, pero no son idénticas.

La distinción importa porque las bases de datos estructurales influyen en modelos posteriores. Los investigadores utilizan complejos depositados para comparar métodos de docking, entrenar sistemas de aprendizaje automático y evaluar predicciones proteína-ligando. Por tanto, una tasa modesta de asignaciones de tautómeros cuestionables puede afectar a algo más que los registros originales.

Los 126 casos comunicados siguen siendo reasignaciones generadas por el modelo, no 126 correcciones experimentales recién confirmadas. Los patrones de enlaces de hidrógeno mejorados respaldan su plausibilidad, pero los experimentos prospectivos aportarían evidencia más sólida. La difracción de neutrones, la espectroscopía de alta resolución u otras técnicas específicas pueden a veces localizar hidrógenos más directamente.

La presión recae, por tanto, en los equipos de química computacional, los curadores de bases de datos y los desarrolladores de sistemas de diseño de fármacos con IA. Deben tratar la ubicación de protones como una incertidumbre explícita en lugar de como una elección oculta de preprocesamiento.

Un único número global de precisión no puede resolver esta cuestión. Los equipos deben saber si el modelo funciona de manera consistente en sus series químicas, estados de carga, grupos funcionales y entornos relevantes. También necesitan flujos de trabajo que mantengan tautómeros alternativos cuando la evidencia sea ambigua.

La predicción rápida de tautómeros con IA presiona los flujos de trabajo basados primero en mecánica cuántica

La competencia principal es entre la asignación rápida aprendida y la evaluación más lenta basada en física, no entre dos empresas de descubrimiento de fármacos.

Los métodos mecánico-cuánticos estiman la energía molecular a partir de la estructura electrónica. Ofrecen una forma fundamentada de comparar tautómeros, especialmente cuando los investigadores tienen en cuenta los efectos del disolvente y de la conformación. Su limitación es el coste computacional, en particular en bibliotecas que contienen millones de candidatos.

Los sistemas basados en reglas ocupan el extremo más rápido del espectro. Enumeran o clasifican tautómeros mediante transformaciones escritas por expertos, puntuaciones empíricas y patrones químicos conocidos. Estas herramientas son prácticas, pero las reglas fijas pueden tener dificultades fuera de la química representada por sus supuestos de diseño.

Los enfoques anteriores de aprendizaje automático abrieron una vía intermedia. Algunos utilizaron confórmeros tridimensionales o propiedades moleculares calculadas, lo que introdujo costes adicionales de preparación. Otros aprendieron de pequeños conjuntos de datos en fase de disolución que limitaban la cobertura química.

NYU Tautomer-Predictor cambia ese equilibrio al puntuar candidatos directamente a partir de la topología bidimensional. Los autores afirman que no necesita ni generación de confórmeros ni cálculos cuánticos. Esto no vuelve obsoleta a la física, pero ofrece a los equipos de cribado una primera pasada más rápida.

La prueba de rendimiento ilustra la diferencia. El flujo de trabajo de código abierto procesó aproximadamente 4,6 millones de compuestos de una colección de Enamine en unas 3,2 horas en un nodo habilitado con GPU. Eso equivale a cerca de 400 compuestos por segundo al promediarse a lo largo de la ejecución comunicada.

A esa escala, la predicción de tautómeros con IA puede situarse cerca de la entrada de una canalización de cribado. Un equipo podría enumerar formas plausibles, clasificarlas y enviar un conjunto más pequeño al docking o a cálculos de energía más costosos. Los métodos basados en física podrían entonces centrarse en compuestos inciertos o de alto valor.

Esta estrategia escalonada es más creíble que reemplazar por completo la química cuántica. Un modelo entrenado ofrece velocidad y reconocimiento de patrones, mientras que los métodos cuánticos proporcionan un tratamiento energético detallado. Los experimentos siguen siendo necesarios cuando la asignación de un tautómero influye directamente en una costosa decisión de química medicinal.

El código abierto del estudio también reduce la barrera para realizar pruebas. Los investigadores pueden inspeccionar el flujo de trabajo, ejecutarlo con moléculas internas y comparar sus clasificaciones con procedimientos de preparación establecidos. La disponibilidad abierta importa porque la reproducibilidad es una preocupación recurrente en la química asistida por IA.

Según la implementación publicada, Tautomer-Predictor utiliza una arquitectura de estilo AttentiveFP. Esta familia de modelos aprende representaciones moleculares combinando repetidamente información de átomos y enlaces vecinos. Los mecanismos de atención ayudan a la red a ponderar los entornos químicos locales durante la predicción.

Esa arquitectura difiere de los grandes modelos generativos que reciben gran parte de la atención en el descubrimiento de fármacos. No propone una molécula completamente nueva, no predice la estructura completa de una proteína ni genera un candidato clínico. Realiza una tarea de clasificación más acotada que puede mejorar las entradas de esos sistemas mayores.

Esa especificidad es una ventaja en este caso. La salida se corresponde con una decisión química reconocible, y el equipo puede evaluarla frente a etiquetas estructurales experimentales. El sistema también expone la incertidumbre con mayor claridad que una afirmación integral de que un modelo ha “diseñado un fármaco”.

Trabajos relacionados del mismo grupo muestran por qué el entorno sigue siendo importante. Un estudio de 2025 presentó una red neuronal siamesa para predecir proporciones de tautómeros en solución acuosa. Ese modelo en fase de solución se centró en poblaciones relativas de tautómeros, en lugar de clasificar la estabilidad a partir de datos derivados de cristales.

En conjunto, los proyectos sugieren una dirección estratificada para la química computacional. Los datos cristalinos pueden aportar una amplia supervisión estructural. Las mediciones en solución pueden refinar el comportamiento ambiental. Los cálculos cuánticos y los experimentos pueden resolver los casos en los que el contexto modifica la forma preferida.

La presión competitiva inmediata recae sobre los flujos de trabajo de software que tratan la preparación de tautómeros como un motor de reglas fijas o un valor predeterminado no examinado. Una alternativa entrenada y rápida da a los equipos farmacéuticos una razón para volver a comparar esos valores predeterminados.

También eleva las expectativas para otros modelos de química. Si un sistema predice afinidades de unión o genera ligandos, los desarrolladores deberían revelar cómo eligieron los estados de protonación y tautomería. De lo contrario, un benchmark impresionante podría reflejar en parte una preparación molecular inconsistente.

Las etiquetas cristalinas son valiosas, pero no son biología

El mayor activo del modelo, su gran conjunto de datos cristalográficos, también define el principal límite de lo que establecen sus predicciones.

Una red cristalina no es una solución acuosa, un bolsillo de unión de proteínas ni una célula viva. Las moléculas en cristales interactúan con copias vecinas, contraiones y fuerzas de empaquetamiento. Esas condiciones pueden favorecer un tautómero distinto del estado dominante en otros entornos.

El conjunto de pruebas del artículo incluyó benchmarks de solución acuosa y moléculas similares a fármacos, lo que respalda cierta transferencia más allá de los cristales. La precisión y la exhaustividad reportadas son alentadoras en esas categorías. Aun así, el rendimiento agregado no garantiza un comportamiento correcto para cada andamiaje o entorno químico.

Los bolsillos proteicos crean condiciones particularmente complejas. La electrostática local, las moléculas de agua enterradas, los iones metálicos, los residuos cercanos y los cambios conformacionales pueden desplazar las preferencias tautómeras. La unión incluso puede estabilizar un tautómero menos abundante en solución cuando esa forma establece interacciones favorables.

El modelo también trabaja a partir de topología bidimensional. Este diseño permite rapidez, pero omite parte del contexto tridimensional durante su clasificación inicial. La ausencia de un entorno proteico es especialmente relevante cuando dos formas tautómeras tienen una estabilidad intrínseca similar.

Por esa razón, las 126 reasignaciones de PDBbind deben tratarse como candidatas de alto valor para revisión. Mejores enlaces de hidrógeno y menos átomos polares insatisfechos refuerzan las representaciones alternativas. No establecen de forma independiente qué tautómero ocupó cada complejo experimental.

La construcción del conjunto de datos plantea más preguntas. Los registros cristalográficos no están libres de errores de curación, desorden, posicionamiento incierto de hidrógenos ni sesgos hacia las moléculas que cristalizan con éxito. El modelo puede aprender patrones químicos útiles y, al mismo tiempo, heredar características sistemáticas de su base de datos de origen.

Una precisión de 0,88 también significa que las predicciones de falsos positivos siguen formando parte de la salida esperada bajo la evaluación reportada. Ese nivel puede ser aceptable para el cribado, donde el modelo ayuda a priorizar posibilidades. Es menos adecuado para tratar cada tautómero mejor clasificado como un hecho establecido.

Por ello, los desarrolladores de fármacos deberían preservar la procedencia. Un resultado posterior debería registrar qué tautómeros se enumeraron, cómo se puntuaron, qué umbral se utilizó y si el contexto proteico cambió la clasificación. Sin ese rastro, la herramienta corre el riesgo de convertir una incertidumbre química explícita en otro valor predeterminado invisible.

La validación externa será importante. Grupos independientes deben comparar el modelo con series propietarias de química medicinal, experimentos prospectivos y objetivos con entornos inusuales en el sitio de unión. Las comparaciones deberían incluir herramientas comerciales comunes de preparación, reglas de código abierto, cálculos cuánticos y revisión experta.

El lanzamiento del modelo también se produce en un momento de mayor escrutinio sobre el descubrimiento de fármacos mediante IA. Los sistemas pueden sobresalir en benchmarks retrospectivos y, sin embargo, perder precisión con química nueva o criterios experimentales reales. Una evaluación de 2026 de métodos de generación molecular halló que distintas arquitecturas ofrecían ventajas diferentes y que ningún método optimizaba todos los criterios de forma consistente.

Ese patrón más amplio refuerza el papel apropiado del sistema de NYU. Puede fortalecer la preparación molecular y detectar asignaciones sospechosas. No puede determinar la eficacia, toxicidad, selectividad, farmacocinética ni el éxito clínico.

Incluso el término “estable” necesita contexto. Una molécula puede ocupar varios estados tautómeros en equilibrio, cuyas poblaciones relativas cambian según el disolvente, la temperatura, el pH o el socio de unión. Un clasificador que selecciona el estado más plausible simplifica una distribución que puede seguir siendo químicamente significativa.

La respuesta correcta no es descartar el modelo porque la biología sea complicada. Es utilizarlo donde su evidencia sea más sólida y escalar los casos inciertos. La velocidad a escala de bibliotecas es más valiosa cuando se combina con una ruta clara hacia una validación de mayor fidelidad.

Este enfoque también ayuda a evitar un modo común de fallo de la IA. La automatización puede hacer que una respuesta parezca definitiva simplemente porque llega rápido. En química, una salida rápida debería aumentar el número de hipótesis sometidas a prueba, no reducir el cuidado empleado para verificar las importantes.

Las próximas pruebas determinarán su papel en el descubrimiento de fármacos

Tres señales mostrarán si la predicción de tautómeros mediante IA se convierte en infraestructura estándar o sigue siendo una utilidad de investigación prometedora.

La primera señal es la validación prospectiva independiente. Los investigadores deberían seleccionar moléculas antes de los experimentos, predecir sus tautómeros preferidos y luego medir los estados relevantes en condiciones controladas. El éxito con compuestos nuevos aportaría evidencia más sólida que la concordancia retrospectiva con bases de datos existentes.

Estas pruebas deberían abarcar cristales, soluciones acuosas y entornos con proteínas unidas. La concordancia en un contexto no garantiza la concordancia en otro. Informar de la confianza y de los estados alternativos también revelaría si el modelo reconoce cuándo un caso es ambiguo.

Un estudio prospectivo que confirme las predicciones mejor clasificadas en una química diversa reforzaría el argumento para su uso rutinario. Los fallos repetidos ligados a grupos funcionales o entornos concretos delimitarían el alcance práctico del modelo. Cualquiera de los dos resultados mejoraría las decisiones de implementación.

La segunda señal es la adopción en flujos de trabajo de preparación y cribado. La capacidad reportada para procesar 4,6 millones de compuestos en 3,2 horas hace técnicamente plausible la integración. La cuestión más importante es si el modelo cambia las decisiones.

Los equipos deberían medir con qué frecuencia altera las poses de acoplamiento, las clasificaciones de unión, los resultados de energía libre o la selección de candidatos. Una herramienta de preprocesamiento solo aporta valor cuando sus asignaciones corregidas mejoran los resultados posteriores o evitan cálculos desperdiciados.

La integración con plataformas de química establecidas también indicaría madurez. Las implementaciones útiles necesitan enumeración fiable de tautómeros, estandarización de moléculas, procesamiento por lotes, gestión de errores y resultados reproducibles. Un punto de control del modelo por sí solo no crea infraestructura de producción.

El flujo de trabajo de predicción público ofrece a los investigadores un punto de partida. Su impacto dependerá de las pruebas independientes, el mantenimiento, la documentación y la compatibilidad con el software que ya utilizan los químicos medicinales.

La tercera señal es la corrección y curación de bases de datos. El modelo señaló aproximadamente el 2,5 por ciento de los ligandos PDBbind evaluados, creando un conjunto concreto para revisión experta. Si los curadores y químicos estructurales confirman una proporción significativa, el estudio habrá identificado una debilidad corregible en datos de investigación ampliamente reutilizados.

Las revisiones confirmadas importarían más allá de esos 126 complejos. Las bases de datos de proteínas y ligandos respaldan los benchmarks y el entrenamiento de modelos en todo el descubrimiento computacional de fármacos. Mejores asignaciones químicas pueden mejorar la calidad de los futuros sistemas construidos sobre los mismos registros.

Si los revisores rechazan la mayoría de los cambios propuestos, eso debilitaría las afirmaciones sobre la capacidad del modelo para transferirse de etiquetas derivadas de cristales a entornos proteicos. Por tanto, la prueba es inusualmente clara. Los autores han producido predicciones específicas que los especialistas pueden investigar.

La lección más amplia ya va más allá de la tautomería. Los sistemas de IA dependen de cómo los científicos codifican moléculas, proteínas, ensayos y condiciones experimentales. Las arquitecturas más capaces no pueden compensar cada ambigüedad de esas representaciones.

El Tautomer-Predictor de NYU pone de relieve una de esas ambigüedades. Muestra que un átomo de hidrógeno ausente de un mapa experimental puede influir en una larga cadena de conclusiones computacionales. También demuestra cómo los datos científicos curados pueden hacer que ese problema sea abordable a escala.

Para los desarrolladores, la cuestión práctica es si sus modelos tratan la elección de tautómero como datos, incertidumbre o un valor predeterminado inadvertido. Para los equipos farmacéuticos, la cuestión es si el triaje económico mediante IA puede reducir el número de cálculos costosos iniciados a partir de estructuras cuestionables.

Para los investigadores que evalúan la predicción de tautómeros mediante IA, el siguiente paso es concreto: ejecutar el sistema junto a un flujo de trabajo existente de preparación molecular, conservar los estados competidores e inspeccionar cada discrepancia que alcance un candidato de alto valor. El modelo de NYU ofrece velocidad y una importante base de entrenamiento experimental. Las mediciones prospectivas deben establecer ahora dónde se mantiene esa ventaja, dónde el contexto ambiental cambia la respuesta y si mejores asignaciones de tautómeros producen mejores decisiones en el descubrimiento de fármacos.