Enzimas Redeseadas por Inteligencia Artificial Marcan un Nuevo Hito en la Medicina Molecular de Precisión

El campo del diseño de proteínas ha dado un salto cualitativo en los últimos años. Lo que antes exigía años de experimentación en laboratorio —mutación aleatoria, selección, repetición— ahora puede hacerse en días, con modelos de IA prediciendo secuencias de aminoácidos que se pliegan en formas funcionales. La frontera actual ya no es solo diseñar proteínas que se unen a un objetivo: es diseñar proteínas que ejecutan reacciones químicas específicas en otras proteínas, con precisión quirúrgica.

Un conjunto de estudios recientes publicados entre julio y octubre de 2026 demuestra este avance de forma impresionante. Investigadores del Broad Institute, del MIT y del Scripps Research combinaron herramientas de IA con evolución de laboratorio para crear proteasas —enzimas que cortan otras proteínas— capaces de reconocer y degradar objetivos asociados a enfermedades neurodegenerativas como el Parkinson y el Huntington.

De la toxina botulínica al tratamiento de enfermedades

El caso más emblemático involucra las proteasas de la toxina botulínica, las mismas que, en forma de Botox, paralizan músculos al cortar la proteína SNAP-25 en las terminaciones nerviosas. Investigadores del Broad Institute, liderados por David Liu, usaron el modelo ProteinMPNN para redesear estas proteasas, creando versiones más estables que las naturales. Luego aplicaron PACE —una técnica de evolución asistida desarrollada en el propio Broad— para reprogramar la especificidad de estas enzimas para cortar ataxina-2, la proteína vinculada a la enfermedad de Huntington.

El resultado fue 79 veces más eficiente que las versiones evolucionadas a partir de las proteasas naturales. Y, lo más importante, las enzimas evolucionadas a partir de los puntos de partida diseñados por IA eran intrínsecamente más estables y específicas que las evolucionadas a partir de las versiones silvestres.

"Cuando las proteínas evolucionan nuevas funciones, normalmente sacrifican estabilidad", explicó Nick Krasnow, primer autor del estudio. "Esto limita cuánto pueden cambiar durante la evolución. Pero si comienzas con una proteína más estable, tiene más reserva de estabilidad, por lo que puede permitirse hacer cambios mayores en busca de nuevas funciones."

El mismo grupo publicó un estudio separado en Nature mostrando que este paradigma —IA como punto de partida, evolución como refinamiento— funciona consistentemente en múltiples proteasas diferentes (BoNT/E, BoNT/F, BoNT/X), cada una con aplicaciones terapéuticas distintas.

Proteasas que buscan cáncer

Paralelamente, investigadores del MIT y del Microsoft Research desarrollaron el CleaveNet, un pipeline de IA end-to-end para diseñar secuencias peptídicas que son cortadas por proteasas específicas. A diferencia de los estudios del Broad, que se centraron en reprogranar la enzima para atacar un nuevo objetivo, el CleaveNet se centró en diseñar el objetivo para ser cortado por una enzima existente.

La aplicación demostrada: detección temprana del cáncer. Nanopartículas recubiertas con los péptidos diseñados actúan como sensores que emiten señal al encontrar MMP13 —una proteasa sobreexpresada en células cancerosas que ayuda a la metástasis al cortar colágeno. El sistema fue capaz de generar péptidos cortados por MMP13 con eficiencia y selectividad notables, algo que los métodos tradicionales de "prueba y error" tardarían mucho más en lograr.

El genoma humano codifica aproximadamente 600 proteasas. CleaveNet ofrece, por primera vez, un camino computacional para mapear y explorar esta diversidad de forma sistemática, no solo para diagnóstico, sino potencialmente para terapia.

Reaprovechando el Botox para el Parkinson

En un tercer estudio presentado en Nature, investigadores del Scripps Research, liderados por Hartmut Sondermann, usaron evolución dirigida para reprogranar la proteasa de la toxina botulínica contra la α-sinucleína —la proteína que se acumula de forma anormal en las neuronas de pacientes con enfermedad de Parkinson.

El mecanismo es particularmente elegante porque explota una característica inherente de la toxina botulínica: se autoentrega naturalmente a las neuronas. Al modificar la enzima para atacar la α-sinucleína, los investigadores crearon una herramienta que ya sabe encontrar su destino. En células humanas, la "Protease 5" eliminó casi toda la α-sinucleína sin afectar otras proteínas celulares.

"En lugar de necesitar un sitio de unión específico, pueden ser diseñadas para reconocer y cortar la α-sinucleína directamente, impidiendo que se acumule peligrosamente en el cerebro", dijo Sondermann. "El Botox ha sido usado por décadas con reacción inmunológica mínima, lo que lo convierte en un punto de partida prometedor para una enzima terapéutica."

Qué significa esto para el futuro del diseño de proteínas

Estos tres estudios, publicados por equipos diferentes en revistas diferentes, convergen en una dirección clara: la combinación de modelos generativos de IA con evolución experimental está transformando las proteasas de herramientas de investigación en plataformas terapéuticas programables.

El punto más importante es la estabilidad. Un problema fundamental del diseño de enzimas siempre ha sido que, al adquirir nuevas funciones, las enzimas pierden estabilidad estructural. Las versiones naturales ya están en el límite de su robustez evolutiva —no hay margen para cambios mayores. Las versiones redesadeadas por IA, en cambio, poseen estabilidad excedente. Esta "holgura termodinámica" permite a las enzimas absorber mutaciones sin desestabilizarse, explorando un espacio de secuencia mucho mayor.

Esto no es solo una mejora incremental. Es un cambio de paradigma en la forma en que pensamos sobre la ingeniería enzimática: en lugar de "comenzar con la naturaleza y mejorar lo que funciona", comenzamos con una versión optimizada por IA de la naturaleza y exploramos posibilidades que la evolución natural jamás produjo.

La pregunta ahora no es si este enfoque será adoptado por la industria farmacéutica —ya está siendo adoptado— sino qué enfermedad será la primera que logrará tratar de forma efectiva y cuánto tiempo llevará llegar a los pacientes.

Fuentes: Broad Institute, EurekAlert / Scripps Research, MIT News

✓ Fuentes independientes cruzadas y verificadas antes de la publicación