Investigadores han logrado diseñar proteasas —enzimas capaces de cortar proteínas— con una precisión sin precedentes, utilizando herramientas de inteligencia artificial aplicadas al modelado estructural de proteínas. El resultado son enzimas ajustables que actúan sobre objetivos moleculares específicos, en lugar de degradar indiscriminadamente cualquier proteína que encuentren. En pruebas iniciales, estas proteasas diseñadas fragmentaron con éxito proteínas asociadas a enfermedades neurológicas, lo que abre una vía concreta hacia terapias de mayor precisión.
El problema que resuelve el diseño asistido por IA
Las proteínas están formadas por cadenas de aminoácidos unidas mediante enlaces peptídicos, vínculos químicos que en condiciones normales pueden permanecer estables en agua durante cientos de años. En los organismos vivos, sin embargo, la evolución desarrolló mecanismos enzimáticos para romper estos enlaces de forma controlada y rápida. Las proteasas naturales son el resultado de ese proceso, pero su especificidad es limitada: actúan sobre una amplia variedad de sustratos sin discriminar.
El enfoque que ahora describe la investigación toma el núcleo catalítico de proteasas existentes —incluidas las de zinc, donde la carga positiva del átomo metálico coordina el enlace peptídico para facilitar su ruptura— y rediseña el resto de la estructura proteica mediante algoritmos de IA. Esto permite conservar el mecanismo de corte probado por la evolución, pero redirigirlo hacia proteínas objetivo definidas con antelación.
Implicaciones para biomedicina y desarrollo de fármacos
La capacidad de diseñar enzimas que actúen sobre proteínas patológicas específicas tiene implicaciones directas en el desarrollo de tratamientos para enfermedades donde la acumulación o mal funcionamiento de ciertas proteínas es el mecanismo central del daño, como ocurre en múltiples condiciones neurodegenerativas.
Desde una perspectiva de investigación y desarrollo, este tipo de plataforma reduce significativamente el tiempo necesario para identificar y optimizar agentes terapéuticos proteicos. En lugar de esperar a que la evolución natural diversifique las proteasas —un proceso que tarda millones de años—, el diseño computacional comprime ese ciclo a semanas o meses. Para organizaciones con pipelines de bioterapéuticos, esto representa una reducción potencial en los tiempos de desarrollo preclínico.
En el contexto de América Latina, donde la inversión en biotecnología de precisión sigue creciendo pero aún enfrenta brechas en infraestructura de I+D, el acceso a plataformas de diseño proteico basadas en IA puede determinar la capacidad de instituciones académicas y empresas farmacéuticas para competir en el desarrollo de terapias de siguiente generación. La pregunta estratégica no es si esta tecnología llegará a la región, sino con qué velocidad las organizaciones locales podrán adoptarla e integrarla en sus procesos de investigación.
