Los modelos de IA de Topos Bio apuntan a proteínas que se niegan a quedarse quietas

Topos Bio lanzó dos modelos de IA el 30 de septiembre dirigidos a proteínas que adoptan muchas formas en lugar de mantener una estructura estable. Los modelos de IA de Topos Bio cuestionan una suposición dominante en el descubrimiento de fármacos basado en estructuras: que los investigadores pueden diseñar en torno a una instantánea molecular fiable.

Topos-2 genera colecciones de conformaciones de proteínas a partir de una secuencia de aminoácidos. Topos-Bind añade una posible molécula farmacológica y predice cómo cambia el sistema proteína-ligando a través de esas conformaciones. Topos denomina a estas colecciones conjuntos conformacionales, es decir, el rango y la distribución relativa de formas que puede adoptar una proteína.

Esta distinción es importante para las proteínas intrínsecamente desordenadas, o IDP, que carecen de una única estructura tridimensional estable. Estas proteínas están relacionadas con la neurodegeneración, el cáncer y los trastornos metabólicos. Sin embargo, los modelos entran en un campo competitivo que ya incluye BioEmu, métodos derivados de AlphaFold, Boltz-2, Chai-1 y OpenFold3.

Topos informó de sólidos resultados en benchmarks y de un estudio de caso sobre amyloid-beta. Sin embargo, sus afirmaciones más relevantes aún dependen de comparaciones realizadas por la empresa, datos de referencia simulados y modelos que todavía no han producido un medicamento validado clínicamente.

Los modelos de IA de Topos Bio abordan dos brechas diferentes

Topos-2 modela cómo se mueven las proteínas, mientras que Topos-Bind pregunta cómo una molécula pequeña cambia ese sistema en movimiento.

Topos-2 es un modelo generativo de todos los átomos. Acepta una secuencia de aminoácidos y produce múltiples estructuras que representan posibles estados de la proteína. “Todos los átomos” significa que el resultado incluye átomos individuales en lugar de una representación simplificada de unidades moleculares mayores.

El modelo amplía el alcance de Topos-1. Ese sistema anterior se centraba en proteínas desordenadas y regiones desordenadas dentro de proteínas más grandes. Topos-2 cubre el espectro más amplio, desde proteínas ordenadas hasta sistemas parcial y totalmente desordenados.

Este diseño diferencia al modelo de los sistemas optimizados para devolver una única estructura probable. Una sola estructura puede ser útil cuando una proteína se pliega en una forma relativamente estable. Resulta menos informativa cuando el movimiento y la variabilidad estructural influyen en el papel biológico de la proteína.

Topos afirma que Topos-2 obtuvo el mejor rendimiento en el marco independiente PeptoneBench. Ese benchmark compara conjuntos computacionales con mediciones de experimentos de resonancia magnética nuclear y dispersión de rayos X de ángulo pequeño.

La empresa informó de una puntuación compuesta reponderada de 1.11 para Topos-2. BioEmu, el siguiente mejor sistema en su comparación, obtuvo 1.49. Dentro de este benchmark, 1.0 representa concordancia dentro de la incertidumbre estimada de las mediciones experimentales y computacionales.

La expresión “cuatro veces más cerca” necesita contexto. Compara la distancia de cada puntuación respecto a 1.0, en lugar de afirmar que Topos-2 es cuatro veces más preciso en todos los usos. Las distancias informadas son 0.11 y 0.49, respectivamente.

PeptoneBench es independiente de Topos. Su repositorio público de benchmarks proporciona código para evaluar conjuntos predichos frente a observables experimentales. También indica a los participantes que generen al menos 100 configuraciones para cada secuencia.

Topos-Bind aborda un segundo problema. Acepta una secuencia de proteína y una molécula pequeña representada como una cadena SMILES, que codifica la estructura molecular como texto. Después, el modelo genera un conjunto para el sistema combinado proteína-ligando.

Según el lanzamiento del modelo de la empresa, Topos-Bind es el primer modelo generativo diseñado específicamente para conjuntos de proteínas desordenadas unidas a moléculas pequeñas. Esta afirmación de prioridad no ha recibido una validación independiente amplia.

Topos ha presentado Topos-Bind como adelanto, en lugar de ofrecerlo como un producto terminado y de disponibilidad general. La diferencia es importante. Topos-2 cuenta con un resultado de benchmark externo, mientras que Topos-Bind se apoya actualmente en un estudio de caso más limitado de la empresa.

Ese estudio de caso utiliza amyloid-beta, un péptido flexible asociado con la enfermedad de Alzheimer. En lugar de buscar un único complejo preferido, Topos-Bind estima cómo cada compuesto cambia la distribución de formas de amyloid-beta.

Por tanto, el lanzamiento une dos etapas de un flujo de trabajo de descubrimiento propuesto. Topos-2 cartografía el objetivo en movimiento. Topos-Bind intenta cartografiar cómo una molécula candidata cambia ese movimiento.

Las proteínas dinámicas presionan a los flujos de trabajo de estructura única

El lanzamiento presiona los flujos de trabajo de descubrimiento de fármacos construidos en torno a una estructura estimada como la mejor, aunque no afecta por igual a todos los sistemas de predicción de proteínas.

El diseño de fármacos basado en estructuras suele comenzar con un objetivo tridimensional. Los investigadores identifican cavidades, simulan interacciones y optimizan moléculas que encajan en disposiciones favorables de átomos. Este enfoque funciona mejor cuando la estructura seleccionada representa un estado biológicamente significativo.

Las IDP complican ese proceso porque su flexibilidad no es meramente ruido experimental. Sus estructuras cambiantes pueden contribuir a la señalización, la transcripción, el reconocimiento molecular y la formación de condensados biomoleculares dentro de las células.

Topos cita investigaciones que indican que tres de cada cinco proteínas humanas contienen regiones desordenadas de más de 30 aminoácidos. Otras estimaciones sitúan el contenido intrínsecamente desordenado en aproximadamente entre el 30% y el 40% del proteoma humano.

El porcentaje exacto cambia según las definiciones y los métodos de predicción. El problema subyacente no. Una proporción considerable de la biología de proteínas relevante para enfermedades no puede representarse adecuadamente mediante una estructura fija.

AlphaFold mostró con qué precisión la IA puede predecir plegamientos proteicos estables a partir de la secuencia. Ese logro creó un enorme recurso para la biología, pero no volvió irrelevante el movimiento de las proteínas.

Un estudio de Nature Communications de 2025 describió las proteínas desordenadas como sistemas que deberían representarse mediante conjuntos estructurales. Los investigadores combinaron distancias derivadas de AlphaFold con dinámica molecular para generar dichos conjuntos.

Ese trabajo ilustra la competencia real. El campo no está dividido de forma clara entre predicciones estáticas de AlphaFold y una alternativa de Topos. Múltiples equipos están ampliando la predicción estructural con simulaciones, restricciones experimentales y muestreo generativo.

BioEmu también genera conjuntos conformacionales de proteínas. Otros enfoques refinan los resultados de AlphaFold o los utilizan como previos para la dinámica molecular. Estos métodos difieren en datos de entrenamiento, coste computacional, supuestos físicos y dependencia de mediciones experimentales.

Topos está haciendo una apuesta estratégica más acotada. Se centra en el espectro orden-desorden y pretende conectar la generación de conjuntos directamente con el diseño de moléculas pequeñas.

Este enfoque ejerce presión sobre equipos que utilizan sistemas de docking o cofolding que devuelven un conjunto compacto de estructuras con alta confianza. Estas herramientas aún pueden ser valiosas para complejos estables. Resultan más difíciles de interpretar cuando un objetivo permanece flexible antes y después de la unión.

Topos comparó Topos-Bind con Boltz-2, Chai-1 y OpenFold3 en su estudio de amyloid-beta. Afirmó que sus resultados se agrupaban en conjuntos relativamente estrechos de formas compactas.

La empresa atribuye ese resultado a los objetivos de los modelos competidores. En general, esos sistemas buscan predicciones estructurales confiables, mientras que Topos-Bind busca explícitamente una distribución de estados.

Esa comparación no demuestra que Topos-Bind sea universalmente mejor. Muestra que un modelo optimizado para conjuntos responde a una pregunta distinta de la que responde uno optimizado para un complejo probable.

Para los desarrolladores de fármacos, la respuesta obligada es metodológica. Los equipos que persiguen objetivos dinámicos deben decidir si basta con un único complejo predicho o si el comportamiento del conjunto debe guiar la selección de compuestos.

La respuesta se desarrollará durante años, no meses. Los equipos de descubrimiento deben conectar las conformaciones predichas con el compromiso con el objetivo, los efectos celulares, la toxicidad y los resultados clínicos finales.

Por qué los conjuntos de proteínas cambian la pregunta del diseño de fármacos

Para un objetivo dinámico, la pregunta útil no es solo dónde se une una molécula, sino cómo la unión redistribuye los posibles estados de la proteína.

Consideremos amyloid-beta en su forma monomérica. El péptido se mueve a través de muchas conformaciones, y algunos estados tienen mayor probabilidad de asociarse con otras moléculas. Esas asociaciones pueden contribuir a procesos de agregación vinculados con la patología del Alzheimer.

Un flujo de trabajo tradicional podría buscar una única pose de unión frente a una estructura seleccionada de amyloid-beta. Un flujo de trabajo basado en conjuntos pregunta si un compuesto cambia la probabilidad de estados propensos a la agregación a través de una distribución más amplia.

Topos probó Topos-Bind utilizando amyloid-beta 1-42 con 22 moléculas pequeñas. Los conjuntos predichos por el modelo reprodujeron la amplia dispersión de tamaños moleculares observada en las simulaciones de dinámica molecular generadas por Topos.

La comparación utilizó el radio de giro, una medida de cuán compacta o extendida es una estructura molecular. Una distribución más amplia indica que la proteína explora estructuras con dimensiones significativamente diferentes.

Topos informó que los otros modelos de cofolding evaluados comprimieron sus predicciones en distribuciones más estrechas. Si ese patrón se confirma experimentalmente, un flujo de trabajo de estado único podría pasar por alto compuestos que alteran el conjunto sin crear una estructura dominante.

Sin embargo, la referencia fue dinámica molecular producida por la propia Topos. La dinámica molecular utiliza cálculos basados en la física para simular el movimiento atómico a lo largo del tiempo, pero sus resultados dependen de los campos de fuerza, las condiciones iniciales y las decisiones de muestreo.

Los experimentos físicos no revelan directamente un conjunto atómico completo. Los investigadores infieren conjuntos combinando mediciones con modelos computacionales. Eso hace que la evaluación sea más complicada que comparar una estructura cristalina predicha con una estructura experimental.

Topos entrenó su enfoque con Topos-DB, una colección propietaria que contiene más de 100,000 sistemas simulados de proteínas desordenadas-ligandos. La empresa afirma que esto es aproximadamente tres veces mayor que el siguiente corpus comparable más grande por número de sistemas distintos.

El conjunto de datos es central para la ventaja informada del modelo. Las bases de datos estructurales públicas contienen muchas estructuras de proteínas estables, pero muchos menos conjuntos atómicos de proteínas desordenadas que interactúan con moléculas pequeñas.

Generar datos de simulación ofrece escala allí donde los datos experimentales siguen siendo escasos. También introduce una dependencia: el modelo puede aprender patrones y sesgos incorporados en el motor de simulación que creó sus ejemplos de entrenamiento.

Topos intenta contrarrestar ese problema probando Topos-2 frente a mediciones experimentales de NMR y dispersión. Por tanto, su resultado en PeptoneBench tiene más peso que una comparación basada únicamente en trayectorias simuladas.

Topos-Bind aún no ha alcanzado el mismo nivel de evidencia. Su trabajo con amyloid-beta pregunta si el modelo se parece a la dinámica molecular, no si sus efectos predichos de los ligandos coinciden con observaciones experimentales en muchos objetivos.

Esta distinción define la tensión central detrás del lanzamiento. Topos ha construido un mecanismo adecuado para la biología dinámica, pero los datos necesarios para validar ese mecanismo son inusualmente difíciles de obtener.

La empresa está desarrollando ciclos de retroalimentación experimental junto con su trabajo computacional. En marzo, Topos anunció una colaboración con Dalriada Drug Discovery que abarca espectrometría de masas, quimioproteómica y mediciones en células vivas.

El programa experimental de Dalriada incluye perfiles de interacción con la diana, mapeo de péptidos, cinética de unión covalente y proteómica del mecanismo de acción. Estos métodos pueden comprobar si las interacciones predichas se producen en sistemas biológicos.

Esa alianza refleja lo que los modelos no pueden resolver por sí solos. Un conjunto atractivo sigue siendo una hipótesis hasta que los experimentos demuestren unión, selectividad, efectos funcionales y un comportamiento aceptable en las células.

Topos-2 entra en una concurrida carrera de modelado de proteínas

Topos compite mediante la especialización, mientras plataformas más grandes y mejor financiadas amplían la variedad de estados proteicos que pueden representar.

BioEmu es el punto de referencia más directo para Topos-2 porque también genera conjuntos estructurales. Topos utilizó BioEmu como el siguiente mejor comparador en su resultado de PeptoneBench.

La puntuación reportada de 1,11 otorga a Topos-2 una clara ventaja en la medida compuesta seleccionada. Sin embargo, un solo benchmark no puede resolver todas las cuestiones relevantes para el descubrimiento de fármacos.

El rendimiento puede variar según la longitud de las proteínas, las familias de secuencias, las condiciones ambientales y las distintas formas de desorden. Los conjuntos de datos de referencia también pueden solaparse conceptualmente con los supuestos utilizados durante el desarrollo del modelo, incluso sin filtraciones directas del conjunto de entrenamiento.

Los métodos derivados de AlphaFold presentan otra vía. Los investigadores pueden utilizar la información de distancias predicha por AlphaFold como restricciones y, después, ejecutar dinámica molecular para construir un conjunto coherente con esas distancias.

Esta estrategia híbrida combina un predictor de estructuras ampliamente probado con simulaciones físicas consolidadas. También puede incorporar mediciones experimentales cuando esos datos están disponibles.

Sus desventajas incluyen el coste computacional y decisiones adicionales de modelado. Topos apuesta por que un modelo entrenado para generar conjuntos directamente hará que el flujo de trabajo sea más rápido y escalable.

Boltz-2, Chai-1 y OpenFold3 ocupan una categoría cercana. Modelan estructuras e interacciones biomoleculares, incluidos los complejos proteína-ligando, pero no están diseñados principalmente para reproducir distribuciones de equilibrio completas de dianas altamente desordenadas.

La comparación de Topos-Bind con el beta-amiloide evalúa, por tanto, una discrepancia deliberada de objetivos. Esto resulta informativo, pero no constituye una competición completa entre modelos de conjuntos con el mismo grado de especialización.

La carrera comercial va más allá de la precisión de los modelos. Una plataforma útil para el descubrimiento de fármacos debe identificar moléculas que puedan sintetizarse, alcanzar sus dianas, evitar interacciones perjudiciales y producir efectos terapéuticos.

Topos se incorporó a esa carrera con capital limitado en comparación con las grandes farmacéuticas y los mayores laboratorios de IA. La empresa de San Francisco recaudó una ronda semilla de 10,5 millones de dólares en enero de 2026.

Entre sus inversores se encuentran Boldstart, Threshold, Neo e inversores individuales. La financiación respalda una plataforma ambiciosa, pero el desarrollo clínico de fármacos puede requerir mucho más capital y tiempo que el entrenamiento de modelos por sí solo.

Topos también participa en TuneLab, una iniciativa que proporciona acceso federado a modelos entrenados con datos propietarios de desarrollo de fármacos de Eli Lilly. El aprendizaje federado permite a los participantes beneficiarse de modelos compartidos sin poner en común directamente todos los registros privados subyacentes.

Esa relación puede reforzar las predicciones relacionadas con absorción, distribución, metabolismo, excreción y toxicidad. Estas propiedades suelen determinar si una molécula prometedora puede convertirse en un medicamento viable.

Aun así, ni la financiación ni el acceso a datos resuelven el problema central de validación. Topos debe demostrar que mejores predicciones de conjuntos mejoran las decisiones en fases posteriores del descubrimiento.

Una mejora modesta en la clasificación computacional puede ser valiosa si evita experimentos costosos con candidatos débiles. Una mejora drástica en un benchmark puede ser menos valiosa si no cambia qué compuestos tienen éxito.

Por tanto, la cuestión competitiva no es si Topos puede generar movimiento molecular visualmente convincente. Es si su especialización crea ventajas medibles en la identificación de hits, la optimización de líderes y el desarrollo terapéutico.

La evidencia es más sólida para Topos-2 que para Topos-Bind

Topos-2 cuenta con un benchmark experimental independiente, mientras que Topos-Bind sigue siendo un avance prometedor respaldado principalmente por evidencia basada en simulaciones.

PeptoneBench es una prueba significativa porque abarca proteínas ordenadas y desordenadas. Sus conjuntos de datos incluyen desplazamientos químicos de resonancia magnética nuclear y mediciones de dispersión de rayos X de ángulo pequeño.

Topos afirma que el benchmark incluye datos de RMN de 659 proteínas y datos de SAXS de 439 proteínas. La evaluación compara propiedades calculadas a partir de conjuntos generados con observaciones experimentales, en lugar de seleccionar una única estructura visualmente plausible.

Ese diseño se ajusta a la tarea que Topos-2 afirma resolver. Recompensa distribuciones que reproducen mediciones promediadas a través de numerosos estados moleculares cambiantes.

Sin embargo, Topos divulgó un resultado compuesto reponderado. La reponderación ajusta la contribución relativa de las estructuras generadas para mejorar la concordancia con los datos experimentales. Es una técnica reconocida de refinamiento de conjuntos, pero no equivale a una predicción plenamente prospectiva.

Por ello, los lectores deberían distinguir tres niveles de evidencia. El primero es la generación a partir de la secuencia por sí sola. El segundo es la concordancia tras el refinamiento con información experimental. El tercero es el éxito prospectivo en sistemas biológicos no observados.

El anuncio público destaca el resultado compuesto, pero no proporciona un artículo revisado por pares sobre Topos-2 que establezca el rendimiento en todas las condiciones de evaluación relevantes. La reproducción independiente reforzaría sustancialmente la afirmación.

Topos-Bind enfrenta una brecha de evidencia mayor. Sus conjuntos de referencia proceden del motor de dinámica molecular de la empresa, y su base de datos de entrenamiento también contiene datos de simulación generados por la empresa.

Esta configuración no invalida el resultado. Las simulaciones son indispensables para estudiar sistemas que eluden la medición estructural directa. Sí significa que la evaluación puede favorecer supuestos compartidos por el modelo y el proceso de referencia.

El experimento con beta-amiloide también prueba un conjunto limitado de 22 ligandos. Es suficiente para ilustrar el comportamiento del modelo, pero no para establecer un rendimiento general en dianas desordenadas y clases químicas.

La biología de las enfermedades añade otra capa de incertidumbre. Predecir con precisión que una molécula desplaza un conjunto de beta-amiloide no demuestra que ese desplazamiento reduzca la agregación perjudicial en un sistema vivo.

La molécula debe alcanzar el tejido pertinente, interactuar con la diana, producir el cambio funcional previsto y evitar una toxicidad inaceptable. Cada paso puede romper la conexión entre una predicción computacional y un medicamento.

Topos reconoce la importancia del trabajo experimental mediante sus programas internos y colaboraciones. Su alianza con Dalriada se dirige específicamente a la interacción con la diana, la selectividad y los efectos a nivel de vías biológicas.

La empresa afirma que está aplicando los modelos a programas internos de neurodegeneración y oncología. No ha divulgado un candidato clínico producido por Topos-2 o Topos-Bind.

Esta ausencia es normal para una empresa biotecnológica en fase inicial. También delimita lo que todavía no puede afirmarse. Los modelos no han demostrado que dianas previamente inalcanzables ahora sean susceptibles de desarrollo farmacológico.

«No susceptible de desarrollo farmacológico» también es una etiqueta cambiante. A menudo describe dianas que carecen de bolsillos de unión convencionales o se resisten a métodos de desarrollo establecidos. No significa que ninguna estrategia biológica o terapéutica pueda afectarlas jamás.

Topos ha presentado una vía plausible hacia ese territorio. Ahora la vía necesita experimentos prospectivos que no se hayan utilizado para construir, ajustar o seleccionar los modelos.

Qué observar tras el lanzamiento de los modelos de IA de Topos Bio

Tres señales mostrarán si el modelado de conjuntos se convierte en una ventaja práctica para el descubrimiento, en lugar de otra sólida demostración computacional.

La primera señal es la validación técnica independiente. Los investigadores deberían buscar un artículo detallado sobre Topos-2 o Topos-Bind, configuraciones de evaluación divulgadas, resultados accesibles y reproducción por grupos externos a la empresa.

Resultados independientes cercanos al rendimiento reportado en PeptoneBench reforzarían la posición de Topos-2. Grandes cambios de rendimiento bajo configuraciones alternativas debilitarían la afirmación de que la ventaja se generaliza.

Para Topos-Bind, la validación más útil compararía los conjuntos inducidos por ligandos predichos con mediciones experimentales en varias proteínas desordenadas no relacionadas. Un caso de beta-amiloide no puede establecer una fiabilidad amplia.

La segunda señal es el éxito experimental prospectivo. Topos y Dalriada pueden probar compuestos seleccionados con los modelos para evaluar interacción con la diana, selectividad y cambios en vías celulares relevantes.

Una prueba ciega sería especialmente informativa. Topos podría clasificar compuestos antes de los experimentos y, después, divulgar si las moléculas mejor clasificadas superan a las selecciones convencionales.

Un enriquecimiento repetido de compuestos activos reforzaría el argumento a favor del descubrimiento basado en conjuntos. No mejorar las tasas de hits experimentales sugeriría que un movimiento de apariencia precisa todavía no guía mejores decisiones químicas.

La tercera señal es el avance de la cartera. Con el tiempo, Topos debería identificar programas específicos, hitos de desarrollo o moléculas candidatas influidas por Topos-2 y Topos-Bind.

Un candidato de desarrollo declarado no demostraría valor clínico, pero mostraría que la plataforma respalda decisiones que van más allá de benchmarks retrospectivos. Los datos posteriores de toxicología y en humanos ofrecerían pruebas progresivamente más sólidas.

Las respuestas de los competidores también importan dentro de estas señales. Los sucesores de BioEmu, los métodos de conjuntos basados en AlphaFold y los sistemas de simulación especializados seguirán mejorando.

Topos puede mantener una ventaja temprana en benchmarks centrados en el desorden sin conservar un liderazgo técnico duradero. Su capacidad de defensa podría provenir, en cambio, de datos de simulación propietarios, retroalimentación experimental y experiencia en la selección de compuestos.

Para los equipos de producto de IA, este lanzamiento ofrece una lección más amplia sobre evaluación. El objetivo de un modelo, los datos de referencia y la validación en el mundo real deben corresponderse con la decisión que se supone que debe mejorar.

Los equipos que siguen la evidencia entre lanzamientos de modelos, experimentos y alianzas necesitan más que una colección de comunicados de prensa. Una base de conocimiento de IA con capacidad de búsqueda puede ayudar a conectar las afirmaciones de benchmarks con validaciones posteriores.

Topos ha identificado una debilidad real en el pensamiento basado en estructuras únicas. Las proteínas dinámicas necesitan representaciones que preserven el movimiento en lugar de comprimirlo en una única respuesta segura.

La cuestión abierta ya no es si los conjuntos proteicos importan. Es si los modelos de IA de Topos Bio los predicen con suficiente precisión como para cambiar qué compuestos construyen, prueban y desarrollan los investigadores. Busque benchmarks independientes, resultados experimentales ciegos y un candidato divulgado antes de considerar resuelta esa cuestión.