Los científicos han convertido el sistema de inteligencia artificial de plegamiento de proteínas AlphaFold en una herramienta de diagnóstico para mejorar la seguridad de la edición génica CRISPR. Los investigadores alimentaron al sistema con modelos de una secuencia de ADN objetivo, un ARN guía y la nucleasa Cas9 - el núcleo del sistema CRISPR - para generar estructuras tridimensionales que coinciden con las observadas en experimentos de laboratorio.

Los primeros intentos que también incluyeron una enzima diseñada para modificar químicamente las bases hicieron que AlphaFold colocara incorrectamente una de las proteínas, lo que llevó al equipo a simplificar la entrada. Al despojar el modelo de todo excepto el ADN, el ARN y la Cas9, se obtuvieron predicciones confiables, lo que confirmó que la nucleasa sola dicta la especificidad de la secuencia.

La comparación de las estructuras generadas por la inteligencia artificial para los sitios de ADN dentro y fuera de objetivo reveló un patrón notable. Aproximadamente dos tercios de los sitios fuera de objetivo obligaron a la Cas9 a adoptar una forma ligeramente alterada, pero más del 95 % cambiaron qué aminoácidos hacían contacto con el ARN guía. En muchos casos, la proteína retuvo su conformación global mientras que los residuos individuales se flexionaban para acomodar las bases erróneas.

La métrica de "probabilidad de contacto" incorporada en AlphaFold - que mide la probabilidad de que dos átomos estén dentro de ocho angstroms - permitió al equipo cuantificar estos cambios. Al restar el mapa de contacto de un sitio fuera de objetivo de ese de un sitio dentro de objetivo, identificaron con precisión qué aminoácidos alteraron sus interacciones cuando ocurrió un error de coincidencia. Los investigadores llamaron a este flujo de trabajo comparativo "ContactSeek".

Apuntar a los puntos calientes

ContactSeek inicialmente produjo una larga lista de residuos que cambiaban, pero los científicos se centraron en clusters donde muchos cambios convergían, interpretando estos puntos calientes como regiones de la proteína que se adaptan a los errores de coincidencia. Luego, ingenierizarón variantes de Cas9 en las que los aminoácidos identificados se intercambiaron por alternativas predichas para estabilizar el apareamiento correcto de ARN-ADN.

Las pruebas preliminares de las enzimas rediseñadas mostraron una reducción en la unión a secuencias fuera de objetivo mientras se preservaba la actividad en los sitios pretendidos. El enfoque demuestra cómo la visión estructural impulsada por la inteligencia artificial puede guiar la ingeniería de proteínas precisa, ofreciendo un camino hacia herramientas de edición génica con menos ediciones no intencionadas.

El trabajo destaca el papel cada vez más importante de los modelos de aprendizaje automático en la biotecnología, avanzando más allá de la predicción hacia el diseño activo. A medida que las terapias CRISPR avanzan hacia su uso clínico, métodos como ContactSeek podrían convertirse en esenciales para garantizar que las intervenciones de edición del genoma sean tanto efectivas como seguras.

Este artículo fue escrito con la asistencia de IA.
News Factory APP - noticias agénticas para impulsar tu SEO y AEO.