IA que diseña tijeras moleculares: proteasas hechas desde cero

Imagina unas tijeras moleculares que diseñas en el ordenador, sin plantilla natural, y que cortan un punto exacto de una proteína concreta. Suena a deseo. El 14 de octubre de 2026, dos equipos del Instituto de Diseño de Proteínas de la Universidad de Washington publicaron sendos artículos en Nature que acercan esa idea a la realidad. Según la crónica de Unite.AI sobre los estudios, los investigadores usaron diseño computacional con IA para crear proteasas desde cero. Las proteasas son enzimas que cortan otras proteínas, y estas se construyeron para actuar en secuencias elegidas, incluidas zonas de las proteínas humanas asociadas a enfermedades TDP-43, amiloide-β y amiloide A sérico.

Lo que hace notable el logro es lo terco que es el objetivo: estos enlaces son estables durante cientos de años en condiciones normales. Vamos a ver por qué importa, qué se demostró de verdad y dónde conviene ser prudentes.

Por qué cortar una proteína es tan difícil

Las proteínas son cadenas largas de aminoácidos, y los eslabones entre ellos se llaman enlaces peptídicos (o amida). Según el informe sobre el artículo de las cisteína proteasas, resisten cientos de años en agua neutra porque la barrera de energía para romperlos es altísima.

Es una buena noticia para la vida, porque las proteínas no se deshacen solas. Pero es una mala noticia para quien quiera diseñar una enzima que las rompa. El artículo explica que el diseño de enzimas «de novo» se había limitado en gran medida a reacciones modelo con barreras de energía bajas. Cortar un enlace peptídico es una cuesta mucho más empinada.

Es como la diferencia entre diseñar una rampa y diseñar un cohete: ambas son ingeniería, pero el margen de error no se parece en nada. La enzima debe sujetar su objetivo en la posición exacta y dirigir la química con precisión atómica, y además ser una proteína estable que se pliegue bien.

Dos equipos, dos estrategias químicas

El trabajo se presenta en dos artículos. En ambos figura David Baker como autor de correspondencia, igual que Donald Hilvert, del ETH de Zúrich. Se diferencian en la química: uno produjo metaloproteasas basadas en zinc y el otro proteasas que actúan mediante una cisteína activada.

El primero, Computational design of metalloproteases, construye enzimas alrededor de un átomo de zinc, que activa una molécula de agua, y es el agua la que corta. Anqi Chen y Kejia Wu, como primeros autores, y sus colegas usaron métodos RFdiffusion para diseñar proteínas con sitios activos de zinc junto a un bolsillo que agarra el péptido objetivo.

El segundo, De novo design of cysteine proteases, con Hojae Choi como primera autora, sigue otro camino. Usa una cisteína activada, un aminoácido con un átomo de azufre, como nucleófilo, es decir, el grupo químico que ataca el enlace. El equipo empleó un nuevo método de aprendizaje profundo llamado RFD2-MI, desarrollado por Brian Coventry y Magnus S. Bauer.

Tener dos rutas químicas independientes importa. A mi juicio, sugiere que no es un truco aislado, sino una capacidad más general: si puedes describir la química que quieres, el diseño guiado por IA empieza a poder construir una proteína que la ejecute.

Las cifras detrás del titular

Los números pueden aturdir, pero estos me parecen reveladores. En el trabajo de metaloproteasas se probaron 135 diseños, y el 36 % catalizó el corte de su sustrato peptídico en el enlace previsto, según el artículo. Sea cual sea tu punto de comparación en diseño de enzimas, que más de uno de cada tres funcione es mucho para una reacción tan difícil.

El mejor diseño inicial aceleró la hidrólisis del enlace peptídico más de 108 veces frente a la reacción sin catalizar. Cuatro sustituciones de aminoácidos mejoraron la preorganización del sitio activo y la aceleración superó entonces 1010 veces. En las cisteína proteasas, 13 de 69 diseños resultaron activos (un 19 %), con mejoras de hasta 3 × 107 veces.

Y hay una brecha que conviene decir con claridad. Los propios análisis experimentales y computacionales de los autores atribuyen la diferencia que queda respecto a las cisteína proteasas naturales más activas a una preorganización imperfecta del sitio activo y a un posicionamiento mejorable del sustrato. Dicho de otro modo, las mejores enzimas naturales siguen ganando. Estos diseños parecen herramientas de primera generación muy prometedoras, no sustitutos de lo que ha producido la evolución.

La caja de herramientas de IA

Los procesos no consistían en un único modelo que da la respuesta, sino en bucles. En las metaloproteasas, una ronda de generación del esqueleto proteico alrededor del motivo del sitio activo se siguió de diseño de secuencia y filtrado con AlphaFold 3. Después vinieron dos rondas de refinamiento por difusión parcial y una iteración final entre diseño de secuencia y filtrado con AlphaFold 3. El trabajo de cisteína alternó generación de esqueletos con RFD2-MI, diseño de secuencia con ProteinMPNN y filtrado con AlphaFold 3.

En cristiano: una IA propone una forma, otra propone una secuencia de aminoácidos que debería plegarse en ella y un modelo de predicción de estructuras filtra los candidatos. Los más débiles se descartan por ordenador y el laboratorio prueba el resto.

El refinamiento siguió después de los primeros aciertos. Para optimizar una metaloproteasa llamada Zn45, el equipo examinó 378 variantes de un solo sitio y 148 combinatorias. En una cisteína proteasa llamada Dokki, 24 de 89 variantes generadas superaron al diseño original, con mejoras de entre 1,2 y 31 veces.

Los investigadores también resolvieron estructuras cristalinas de varios diseños y las depositaron en el Protein Data Bank. En las cisteína proteasas, seis estructuras coincidieron con los modelos de diseño con una desviación inferior a 1,2 ångströms. Esa concordancia entre predicción y realidad es la clase de evidencia que me hace confiar más. Además, las proteasas diseñadas adoptan pliegues muy distintos de los naturales, con una puntuación TM por debajo de 0,50. La IA no se limita a copiar planos existentes: encontró arquitecturas nuevas que funcionan.

Cortar proteínas ligadas a enfermedades

Lo más llamativo son los objetivos. Los diseños de metaloproteasas cortan de forma selectiva las proteínas humanas TDP-43, amiloide-β y amiloide A sérico, con aceleraciones de hasta 109 veces. Entre los ejemplos con nombre están TDPr3 para TDP-43, SAAc8 para el amiloide A sérico y AbetaF3 para el amiloide-β.

El caso de TDP-43 es sutil e ingenioso. En lugar de degradar la proteína entera, los autores rediseñaron un andamio existente para cortar dentro de su dominio C-terminal desordenado, que controla la separación de fases líquido-líquido y la oligomerización. El artículo lo presenta como una forma de modular ese comportamiento sin eliminar las funciones nucleares esenciales de los dominios estructurados. Es como recortar un hilo suelto en vez de deshacer todo el jersey.

Los equipos también diseñaron citocinas y antagonistas de receptores «enjaulados» que las proteasas diseñadas activan de manera selectiva. El artículo lo describe como control biortogonal del estado celular, es decir, una forma de accionar un interruptor biológico con una herramienta que no interfiere con la maquinaria de la célula. Las cisteína proteasas, además, cortaron con eficacia sus dianas dentro de células de mamífero HeLa en un ensayo con reportero, con mutantes catalíticamente inactivos como control. Es un paso notable más allá de la química en probeta.

Lo que esto todavía no es

Pongamos unos frenos honestos. Son resultados de laboratorio: enzimas actuando sobre péptidos, en probeta y en cultivos celulares. Nada en la crónica muestra un tratamiento en animales o personas. Llevar una proteasa al tejido adecuado, evitar que corte lo que no debe, esquivar reacciones inmunes y demostrar un beneficio son caminos largos y distintos. Eso es lectura mía de la distancia entre una demostración de laboratorio y un medicamento, no algo que afirmen los artículos.

También hay un aspecto comercial, normal pero relevante. Una declaración de intereses del artículo de metaloproteasas indica que se han presentado solicitudes provisionales de patente sobre aspectos de los métodos y diseños, con varias personas, entre ellas Baker, como inventores o contribuyentes. Los autores del trabajo de cisteína declararon no tener conflictos de intereses. Las declaraciones de financiación citan una lista amplia, con el Howard Hughes Medical Institute, la Fundación Gates, la Agencia de Reducción de Amenazas de Defensa de EE. UU., la Fundación Nacional de Ciencias y partes de los Institutos Nacionales de Salud, entre otros. El código de diseño y análisis del estudio de cisteína es público en GitHub, lo que ayuda a otros laboratorios a comprobarlo y ampliarlo.

Un detalle de calendario: Nature recibió ambos artículos el 14 de octubre de 2025, los aceptó en septiembre de 2026 y los preprints aparecieron en bioRxiv en noviembre de 2025. Es casi un año de evaluación y revisión, un buen recordatorio de que la ciencia rigurosa va más despacio que el ciclo de noticias. Y otro dato: la propia crónica de Unite.AI figura como escrita por un agente de IA y revisada por el equipo editorial del sitio, así que para cualquier detalle importante conviene acudir a los artículos originales de Nature.

Por qué importa más allá de un laboratorio

Los autores concluyen que el diseño de novo puede producir proteasas muy activas y programables, con posibles aplicaciones en terapias, biotecnología y biorremediación. «Programable» es la palabra clave. Hoy, si quieres cortar una proteína concreta en un lugar concreto, buscas entre enzimas existentes y esperas suerte. Una proteasa programable significaría que especificas la diana y el ordenador te ayuda a construir la herramienta.

Esto resuena con lo que vemos en otros campos donde la IA pasa de analizar a crear. Lo comenté en el avance de la IA en las matemáticas: lo interesante no es que la máquina sea rápida, sino que empieza a proponer cosas que no pedimos explícitamente. Y, igual que Ithaca restaura textos antiguos dañados rellenando huecos con predicciones informadas, las herramientas de diseño de proteínas llenan un espacio de búsqueda inmenso con candidatos que luego verifican los expertos.

Hay además una pregunta de doble uso, como con toda herramienta potente de diseño biológico. Los cortadores moleculares programables resultan muy prometedores para la medicina, pero la misma apertura que permite a otros laboratorios reproducir resultados exige normas meditadas. Es opinión mía, no algo que traten los artículos, y me gustaría que el campo lo debatiera en público y no solo cuando algo salga mal.

Una pregunta para llevarte

La mayoría no tocaremos nunca una proteasa, y sin embargo las proteínas gobiernan en silencio nuestra salud, nuestra comida y nuestros medicamentos. Si la IA ya puede diseñar enzimas para tareas que la naturaleza nunca evolucionó, ¿qué deberíamos pedirle primero: curas para enfermedades tercas, limpieza de contaminantes o medicinas más baratas? ¿Y quién decide, y quién se beneficia?

A mí esta historia me parece esperanzadora justamente por lo terrenal: estructuras cristalinas reales, tasas de acierto reales, limitaciones reconocidas. Cuando la IA toque tu vida en los próximos años, quizá no sea a través de un chatbot, sino de un medicamento cuyo ingrediente clave se diseñó en una pantalla. ¿Qué tan cómodo te sentirías con eso y qué querrías saber antes de confiar?