Las proteínas no duran mucho en la naturaleza. Sus enlaces peptídicos son extremadamente estables por sí solos, con una vida media estimada de varios cientos de años, pero los organismos han desarrollado una serie de enzimas que rompen esos enlaces. Estas enzimas, llamadas proteasas, se han diversificado en incontables formas especializadas. Ahora, un equipo de investigadores ha saltado buena parte de ese trabajo evolutivo al usar IA para diseñar nuevas enzimas desde cero.

¿Puede la IA diseñar enzimas que corten proteínas específicas?

El esfuerzo, publicado en Nature, estuvo dirigido principalmente por el laboratorio de David Baker, el bioquímico ganador del Premio Nobel en la Universidad de Washington. El equipo usó herramientas de diseño de proteínas basadas en IA para tomar el núcleo catalítico de dos tipos de proteasa y construir alrededor de él una proteína completamente nueva. Las enzimas resultantes podían ajustarse para cortar proteínas objetivo específicas, y los investigadores demostraron que algunas de ellas actuaban sobre proteínas asociadas con enfermedades neurológicas.

Diseñar una proteasa es más difícil de lo que parece. Los enlaces peptídicos se resisten a romperse sin un catalizador eficaz, y ese catalizador depende de una disposición precisa de aminoácidos específicos. Los investigadores no estaban seguros de que las herramientas del laboratorio pudieran manejar ese nivel de precisión. El equipo probó el enfoque con dos enzimas naturales: una proteasa de zinc del sistema digestivo de una langostina de río, y una proteasa de cisteína de levadura. En ambos casos, las estructuras y los aminoácidos catalíticos clave ya eran conocidos, y el proceso de diseño comenzó con esos aminoácidos.

El flujo de trabajo se apoyó en dos programas. El primero, RFdiffusion2, generó un esqueleto para la enzima, la cadena de enlaces peptídicos repetidos que forma el marco de la proteína. Los investigadores le impusieron restricciones: cualquier esqueleto que produjera debía reunir los aminoácidos catalíticos clave y debía acomodar una secuencia objetivo donde la enzima cortaría. La segunda herramienta, ProteinMPNN, llenó ese esqueleto con aminoácidos específicos. Cada elección debía favorecer que la proteína se plegara en la forma planeada, formara el sitio catalítico y se uniera al objetivo previsto.

El equipo repitió este ciclo muchas veces. Para la proteasa de cisteína, crearon 12 esqueletos y los emparejaron con 69 conjuntos de aminoácidos. Para la proteasa de zinc, probaron 135 diseños. Cuando usaron AlphaFold3 para predecir las estructuras, los diseños no se parecían de cerca a nada de las bases de datos existentes, lo que sugería que las herramientas no estaban simplemente reproduciendo proteínas conocidas.

¿Qué tan bien funcionaron las enzimas diseñadas por IA?

Para probar los diseños, los investigadores construyeron una sola proteína larga que contenía la proteasa, la secuencia que debía cortar y una proteína fluorescente. Si la enzima funcionaba, la proteína fluorescente se liberaba. En los experimentos con cisteína, 13 diseños funcionaron, con una tasa de éxito del 19 por ciento. Todos ellos eran mucho menos activos que la enzima de levadura usada como modelo.

El trabajo con zinc requirió más esfuerzo. Los primeros diseños omitían una molécula de agua que normalmente participa en la reacción, y solo 14 de 89 mostraron actividad débil. El modelado reveló por qué: muchos diseños fallidos permitían que una molécula de agua bloqueara el sitio de reacción. Cuando los investigadores colocaron una molécula de agua en el lugar correcto como restricción de diseño, 35 de 38 diseños mostraron algún grado de actividad catalítica. Aun así, esos diseños eran más débiles que la enzima natural de la que procedían, aunque uno mostró mejor actividad pero no fue específico en cuanto al punto de corte.

Luego, el equipo intentó potenciar la actividad. Identificaron aminoácidos cercanos al sitio activo que no participaban directamente en la reacción y los reemplazaron por alternativas que no se predecía que alteraran la estructura. Algunas versiones se volvieron mucho más activas. La mejor variante de cisteína aceleró la ruptura del enlace peptídico por un factor de 10 elevado a la novena potencia, manteniéndose altamente específica para su objetivo. Una versión de la proteasa de zinc que incluía algunas mutaciones aleatorias fue 30 veces más activa que el diseño original, y aceleró la ruptura por un factor de 10 elevado a la décima potencia.

Los investigadores también diseñaron proteasas de zinc dirigidas a proteínas vinculadas con trastornos neurológicos, incluidos el Alzheimer y la demencia frontotemporal. Modificar un diseño existente para apuntar a una nueva secuencia no funcionó bien, así que el equipo empezó de nuevo. Los nuevos diseños lograron cortar sus objetivos dentro de las células. Los investigadores afirmaron que esto sugiere que algunas enfermedades genéticas podrían, eventualmente, abordarse apuntando a las proteínas malformadas que las causan.

Esa meta enfrenta obstáculos importantes. Las proteínas son difíciles de llevar hasta donde se necesitan, y pueden desencadenar respuestas inmunitarias. Los objetivos dentro de las células plantean otro desafío. Probablemente exigirían que las células produjeran la proteasa por sí mismas, lo que implica administrar el gen que la codifica.

¿Qué limitaciones aún tienen las herramientas de diseño de proteínas con IA?

El estudio también expuso límites en las herramientas. El software cumplió con todas las restricciones físicas que se le dieron: las proteínas diseñadas se plegaron correctamente, ubicaron los aminoácidos catalíticos aproximadamente en las posiciones adecuadas y se unieron a las secuencias objetivo. Pero los investigadores todavía no pueden indicarle al software que produzca un nivel específico de actividad catalítica. Muchos diseños carecían de las características sutiles que hacen que las enzimas naturales sean catalizadores tan eficaces. En palabras del equipo, las herramientas son buenas en la estructura, pero no necesariamente en la actividad. La mutación aleatoria, en cambio, produjo pequeños cambios estructurales que hicieron que algunas enzimas fueran mucho más activas.

El software tiene apenas unos pocos años, señalaron los investigadores, y los desarrolladores y usuarios podrían encontrar formas de agregar restricciones más allá de la ubicación física.

Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.