Primero, unos cimientos sólidos para las proteínas: la IA permite que la evolución en laboratorio llegue más lejos

La ingeniería de proteínas suele parecer un difícil ejercicio de equilibrio: para enseñar a una enzima a reconocer un nuevo objetivo, los investigadores deben acumular mutaciones, pero estas también pueden volverla inestable, dificultar su plegamiento o incluso impedir que se exprese suficientemente en las células. La solución propuesta por el equipo del Broad Institute consiste en utilizar primero inteligencia artificial para proporcionar a la proteína una base estructural estable y dejar después que la evolución en laboratorio explore nuevas funciones.

Este estudio de prueba de concepto, publicado en «Nature», utilizó como modelo una proteasa de la neurotoxina botulínica. El equipo empleó ProteinMPNN para rediseñar su secuencia de aminoácidos, conservando las regiones necesarias para la catálisis y la unión al sustrato, y después utilizó la evolución continua asistida por fagos (PACE) para seleccionar variantes capaces de cortar una proteína específica. PACE vincula la actividad enzimática con la reproducción de los fagos, lo que permite que las secuencias más adecuadas para el objetivo se acumulen rápidamente durante múltiples rondas de mutación y selección.

No todos los diseños iniciales tuvieron éxito. De 74 diseños de proteasa BoNT/E, 58 seguían siendo funcionales; de ellos, 22 conservaron la actividad y, además, produjeron una mayor cantidad de proteína soluble que el tipo silvestre. A continuación, los investigadores compararon el rendimiento de las versiones rediseñadas mediante IA y de las enzimas naturales como puntos de partida para la evolución. En pruebas con diversas proteasas botulínicas y distintos sustratos, los puntos de partida rediseñados produjeron en todos los casos resultados evolutivos con mayor actividad.

La prueba con mayor relevancia para las enfermedades se centró en ataxin-2. Esta proteína está relacionada con los procesos patológicos de algunas enfermedades neurodegenerativas, y el equipo intentó lograr que la proteasa cortara selectivamente una región específica. En comparación con la mejor versión evolucionada a partir de BoNT/E natural, la mejor variante evolucionada desde un punto de partida rediseñado mediante IA mostró un aumento de más de 79 veces en la «especificidad posterior a la selección» por ataxin-2; también presentó mayor estabilidad, una expresión más elevada en células de mamíferos y generó más productos de corte de ataxin-2.

Las diferencias de secuencia indican que la estabilidad podría haber proporcionado un margen capaz de alojar mutaciones. La variante principal acumuló 64 mutaciones y mostró una diferencia de secuencia de aproximadamente el 16 % respecto a la enzima natural; en comparación, la mejor variante derivada del punto de partida natural solo tenía 10 mutaciones y una diferencia de aproximadamente el 2,4 %. Algunas mutaciones que aumentaban la actividad de la proteína rediseñada causaban inestabilidad al trasladarse de nuevo al contexto de la proteína natural, lo que respalda la explicación de que «primero hay que aumentar el margen de estabilidad para poder recorrer una mayor distancia funcional».

Sin embargo, este resultado todavía no constituye un tratamiento para las enfermedades neurodegenerativas. El estudio demuestra principalmente un proceso de ingeniería de proteínas, y la evidencia disponible procede de análisis in vitro, sistemas de expresión bacteriana y células cultivadas; aún no responde cómo introducir la proteasa de forma segura en los tejidos objetivo, si cortaría otras proteínas humanas, si puede mejorar la enfermedad en animales ni cómo abordar los riesgos inmunitarios y de seguridad de una enzima derivada de la toxina botulínica. Si esta estrategia puede reproducirse en otras clases de proteínas, en el futuro podría utilizarse para mejorar enzimas terapéuticas y herramientas de edición genética, pero cada aplicación deberá validarse por separado.