La IA AlphaFold ayuda a rediseñar proteínas de edición genética más seguras

La edición genética tiene un problema de precisión, y los investigadores están recurriendo a una de las herramientas más celebradas de la biología moderna para intentar resolverlo: AlphaFold, el sistema de inteligencia artificial creado por Google DeepMind para predecir la estructura tridimensional de las proteínas. En un nuevo proyecto reportado por Ars Technica, los científicos están usando AlphaFold no para diseñar una proteína nueva desde cero, sino para observar el interior de las proteínas ya utilizadas en edición genética e identificar exactamente qué partes de su estructura provocan cortes de ADN en el lugar equivocado.

Para entender por qué esto importa, ayuda saber qué hace realmente AlphaFold. Las proteínas son largas cadenas de aminoácidos que se pliegan en formas tridimensionales intrincadas, y esa forma determina casi todo sobre cómo funciona una proteína. Durante décadas, averiguar experimentalmente la estructura plegada de una proteína, mediante técnicas como la cristalografía de rayos X, podía suponer años de trabajo de laboratorio para una sola proteína. AlphaFold cambió eso casi de la noche a la mañana, prediciendo en una fracción del tiempo cómo se plegará una secuencia de aminoácidos, con una precisión comparable a la de los métodos experimentales. Su presentación en 2020 fue descrita como una de las aplicaciones más significativas de la inteligencia artificial a un problema científico difícil, y sus creadores recibieron posteriormente un premio Nobel por este trabajo.

Las herramientas de edición genética, como las proteínas asociadas a CRISPR, usan una molécula guía para localizar una secuencia objetivo en un genoma y cortan el ADN en ese punto, permitiendo que la célula desactive, corrija o inserte material genético. En principio, el sistema es extraordinariamente preciso. En la práctica, estas proteínas a veces pueden cortar el ADN en ubicaciones que se parecen al objetivo previsto pero no son exactamente ese: lo que los investigadores llaman efectos «fuera del objetivo». Un corte no deseado en el gen equivocado no es solo un fallo técnico; según dónde ocurra, podría alterar un gen sin relación con la afección tratada, con consecuencias difíciles de predecir.

Reducir la actividad fuera del objetivo ha sido un objetivo central de la investigación en edición genética desde los primeros días del campo, y los científicos han probado muchos enfoques: modificar la molécula guía, ajustar la dosificación o diseñar variantes de la proteína de edición mediante ensayo y error. Lo que AlphaFold aporta es una manera de abordar el problema desde lo estructural: al predecir cómo se pliegan distintas versiones de la proteína y cómo pequeños cambios de secuencia alteran su forma, los investigadores pueden identificar las regiones responsables de su tendencia a cortar en sitios casi coincidentes con el objetivo.

Esa visión estructural importa porque convierte un proceso de ingeniería basado en gran medida en ensayo y error en algo más cercano a un rediseño dirigido. En lugar de probar miles de variantes de proteínas en el laboratorio con la esperanza de que algunas resulten más precisas por azar, los investigadores pueden usar las predicciones estructurales de AlphaFold para formular una hipótesis sobre qué regiones modificar, y luego probar experimentalmente un conjunto mucho más pequeño de candidatos prometedores. Esto no sustituye la validación de laboratorio —una estructura predicha todavía debe confirmarse mediante experimentos bioquímicos y celulares reales—, pero reduce drásticamente el campo de búsqueda.

Vale la pena precisar qué es, y qué no es, esta investigación. Se trata de ingeniería de proteínas orientada a mejorar las herramientas de edición genética usadas en laboratorio, no de un tratamiento clínico probado en pacientes. La distancia entre una proteína rediseñada prometedora en el laboratorio y una terapia de edición genética aprobada sigue siendo larga, e incluye extensas pruebas de seguridad, revisión regulatoria y ensayos clínicos. La cobertura del diseño de proteínas asistido por IA a veces difumina esa distancia; el encuadre correcto es que se trata de investigación fundamental que, con el tiempo, podría hacer más seguras y confiables las herramientas de edición genética que eventualmente se usen en medicina.

La importancia de acertar con la precisión fuera del objetivo se extiende a toda aplicación propuesta para la edición genética, del tratamiento de trastornos sanguíneos hereditarios al diseño de cultivos con características específicas, y a la investigación básica sobre la función de los genes. En contextos terapéuticos en particular, reguladores e investigadores consideran la edición fuera del objetivo una de las principales preocupaciones de seguridad por resolver antes de que un enfoque de edición genética pueda considerarse para un uso clínico más amplio: una edición en el lugar equivocado del genoma de un paciente podría, en el peor de los casos, alterar un gen implicado en la supresión de tumores o en la regulación del funcionamiento celular normal.

El papel de AlphaFold en este proyecto ilustra bien cómo la herramienta ha ido más allá de su logro inicial más destacado. Cuando se presentó por primera vez, la importancia de AlphaFold se resumía sobre todo en una sola cifra: con qué precisión podía predecir una estructura proteica estática en comparación con las mediciones experimentales. En aplicaciones como esta, su valor radica en ser lo bastante rápido y fiable como para ejecutarse repetidamente sobre muchas variantes de proteínas, convirtiendo lo que antes era un cuello de botella —obtener una estructura, sin más— en un punto de partida para un trabajo de diseño iterativo.

Este tipo de biología estructural asistida por IA se ha extendido mucho más allá de la edición genética desde el lanzamiento de AlphaFold, hacia el descubrimiento de fármacos, el diseño de enzimas industriales y ambientales, y la investigación sobre cómo las enfermedades alteran la función de las proteínas. La precisión en la edición genética es una de las aplicaciones más consecuentes de ese cambio más amplio, porque las herramientas que se están refinando son las mismas que ya se exploran para su uso en terapias humanas, donde la tolerancia a efectos no deseados es la más baja.

Por ahora, el resultado práctico de esta investigación es un conjunto de hipótesis mejor fundamentadas y una lista más corta de variantes de proteínas que vale la pena probar en el laboratorio, no una herramienta de edición genética terminada y más segura, lista para usarse. Pero ese enfoque incremental y guiado por la estructura es exactamente el tipo de progreso poco vistoso que tiende a acumularse: cada proteína rediseñada que reduce de forma medible los cortes fuera del objetivo estrecha un poco más la brecha de seguridad entre lo que la edición genética puede hacer técnicamente y lo que se puede confiar en que haga de forma fiable dentro de una célula viva.