Una IA aprende a encoger o expandir proteínas sin perder su función

Las proteínas son las piezas de trabajo de las células, pero rediseñarlas sin arruinar su forma o su función sigue siendo uno de los problemas más difíciles de la biotecnología. Un estudio publicado en Nature presenta una herramienta de inteligencia artificial llamada Raygun que logró modificar proteínas ya existentes, hacerlas más cortas o más largas y, aún así, conservar rasgos estructurales y funciones importantes.

La idea se aparta de la estrategia más conocida de diseñar proteínas completamente desde cero. En lugar de inventar una molécula nueva, Raygun parte de proteínas naturales y aprende a tratarlas como si compartieran un mismo lenguaje estadístico, aunque tengan longitudes distintas. Eso le permite introducir sustituciones, inserciones y deleciones coordinadas, algo que se parece más a la forma en que actúa la evolución que a las ediciones puntuales habituales.

Los autores probaron el método sobre proteínas muy diferentes entre sí y vieron que podía reducir su tamaño entre 10% y 25%, y a veces bastante más, sin perder la integridad estructural predicha. También generó versiones ampliadas. En pruebas con células, varias proteínas fluorescentes miniaturizadas siguieron brillando, variantes de una enzima llamada TurboID conservaron actividad y versiones modificadas del factor de crecimiento epidérmico mostraron incluso mayor afinidad por su receptor que la proteína original.

Ese tipo de flexibilidad importa porque en muchos contextos el tamaño sí cuenta. Una proteína más compacta puede ser más útil para herramientas de laboratorio, sensores biológicos o estrategias de terapia génica con espacio limitado para transportar instrucciones genéticas. Además, el trabajo sugiere que los modelos entrenados con millones de secuencias naturales no solo sirven para predecir cómo son las proteínas, sino también para explorar cambios amplios sin perder del todo su lógica funcional.

Eso no significa que la herramienta convierta de inmediato cualquier proteína en un medicamento listo para usar. Los autores validaron solo algunos ejemplos y todavía hace falta comprobar cuán generalizable es el método, cuántos diseños funcionan fuera de condiciones controladas y qué riesgos aparecen cuando los cambios son más extremos. Por ahora, el avance principal es otro: mostrar que una IA puede imitar mejor una capacidad central de la evolución, la de remodelar proteínas existentes sin destruir lo que las hace útiles.