Una IA diseña proteínas sin copiar secuencias naturales

Diseñar proteínas nuevas con ayuda de inteligencia artificial se volvió una de las grandes promesas de la biotecnología, pero esa tarea sigue teniendo una dificultad de base: una proteína útil no solo tiene que verse bien en una simulación, también debe plegarse de manera estable y conservar la forma necesaria para cumplir una función. Un trabajo del MIT propone cambiar una idea que venía guiando buena parte de este campo: en vez de juzgar a un modelo por su capacidad para reproducir secuencias que ya existen en la naturaleza, conviene medir si realmente genera secuencias capaces de sostener la estructura buscada.

El estudio, publicado en PNAS, presenta una herramienta llamada PottsMPNN. Su objetivo es diseñar secuencias de aminoácidos para proteínas nuevas a partir de una estructura deseada. Los aminoácidos son las piezas con las que se construyen las proteínas, y el orden en que aparecen condiciona cómo esa molécula se pliega. Hasta ahora, muchos modelos se entrenaban para recuperar la secuencia natural asociada a una estructura conocida, como si imitar la solución elegida por la evolución fuera la mejor prueba de calidad. Los autores sostienen que ese criterio puede ser engañoso: en la práctica, varias secuencias distintas pueden producir una estructura parecida.

PottsMPNN intenta captar mejor ese margen de posibilidades. Según el trabajo, el modelo incorpora relaciones físicas entre pares de aminoácidos y también aprende de familias de secuencias emparentadas, de modo que no queda tan atado a una única versión “correcta” de cada proteína. En las pruebas reportadas por el equipo, ese cambio redujo la capacidad de recuperar la secuencia nativa, pero mejoró dos cosas más importantes para el diseño: la compatibilidad entre la secuencia generada y el pliegue deseado, y la predicción de cómo ciertas mutaciones afectarían la estabilidad de la proteína.

Ese avance importa porque amplía el espacio de búsqueda para crear moléculas que la naturaleza nunca produjo. En teoría, eso podría ayudar a desarrollar proteínas con usos biomédicos, industriales o de laboratorio, por ejemplo para reconocer blancos específicos, catalizar reacciones o construir herramientas biotecnológicas más precisas. También aporta una lección más general para la inteligencia artificial aplicada a biología: copiar bien ejemplos del pasado no siempre es la mejor forma de diseñar algo nuevo.

De todos modos, el trabajo no significa que ya sea posible fabricar a pedido cualquier proteína útil. Los resultados combinan evaluación computacional con comparaciones sobre estabilidad y mutaciones, pero todavía queda por ver cuántos de esos diseños funcionarán de forma robusta fuera de las pruebas controladas y en aplicaciones concretas. Por ahora, el aporte principal es conceptual y metodológico: ofrecer una forma más realista de entrenar sistemas de IA para que exploren proteínas nuevas sin depender tanto de repetir las secuencias que la evolución dejó disponibles.