AlphaFold ayuda a rediseñar proteínas CRISPR para eliminar ediciones fuera de objetivo

Investigadores en China usaron AlphaFold, la IA de predicción de estructuras proteicas, para rediseñar las proteínas del sistema CRISPR y reducir las ediciones genéticas fuera de objetivo, uno de los principales obstáculos de seguridad para llevar estas terapias a pacientes reales. El trabajo, publicado en Nature, demuestra cómo la IA puede resolver problemas que antes requerían años de experimentos.

Aunque los sistemas de edición genética como CRISPR son altamente específicos, el genoma humano es tan grande (3 mil millones de bases) que secuencias similares a la deseada aparecen por azar. La proteína Cas9 puede tolerar algunos errores de apareamiento entre el ARN guía y el ADN, lo que ocasionalmente produce ediciones en lugares equivocados. Editar millones de células —como exigen las terapias— convierte esos eventos raros en inevitables.

Cómo encontraron el problema

El equipo creó una biblioteca masiva de sitios de edición fuera de objetivo usando 10 ARN guía distintos y un sistema CRISPR modificado que marca el ADN editado con inosina. Analizaron miles de fragmentos para mapear qué tipos de errores de apareamiento acepta Cas9.

Luego alimentaron AlphaFold con secuencias de ADN objetivo (correctas e incorrectas), ARN guía y la proteína Cas9. La versión actualizada de AlphaFold puede predecir complejos entre proteínas y ácidos nucleicos, no solo proteínas solas. Al comparar las estructuras generadas, encontraron un patrón: en más del 95% de los casos fuera de objetivo, ciertos aminoácidos de Cas9 contactaban el ARN de forma distinta, incluso cuando la estructura general parecía normal.

AlphaFold calcula la "probabilidad de contacto" entre cualquier par de átomos a menos de ocho Angstroms. Los investigadores compararon esas probabilidades entre sitios correctos y erróneos, identificando exactamente qué partes de Cas9 permiten las interacciones problemáticas.

Por qué importa

Este enfoque cambia el proceso de diseño. En lugar de probar cientos de variantes de Cas9 en el laboratorio, ahora podés simular modificaciones en la estructura predicha por IA y testear solo las más prometedoras. Es más rápido y más barato.

Para empresas de biotecnología que desarrollan terapias génicas, reducir las ediciones fuera de objetivo es crítico: los reguladores exigen evidencia de seguridad antes de aprobar tratamientos. Tener proteínas Cas diseñadas desde cero para ser más específicas acelera el camino a ensayos clínicos.

Más amplio: este caso muestra cómo las herramientas de IA —originalmente entrenadas para un problema (predecir estructuras)— pueden reutilizarse para otro (rediseñar proteínas con propiedades específicas). Si tu equipo ya trabaja con modelos de lenguaje o visión, la misma lógica aplica: el valor no está solo en usar la IA como viene de fábrica, sino en adaptarla a los problemas específicos de tu industria.