Un modelo de inteligencia artificial (IA) aprende del resultado de millones de años de evolución para generar proteínas CRISPR con utilidad para la edición del genoma que la naturaleza no llegó a producir
Desde que se demostró que el sistema CRISPR-Cas9, un mecanismo de defensa de las bacterias frente a los virus, podía programarse para cortar secuencias concretas de ADN, la edición genética ha ampliado de forma notable sus posibilidades. Las primeras herramientas CRISPR que servían para inactivar genes han evolucionado hacia nuevas estrategias que permiten modificar desde las unidades más pequeñas del genoma a grandes fragmentos de ADN o regular la actividad genética.
Buena parte de estos avances ha dependido del descubrimiento de nuevas proteínas CRISPR en bacterias, arqueas y muestras metagenómicas. Sin embargo, encontrar una nucleasa natural con el tamaño, la actividad, la estabilidad y la precisión adecuadas puede requerir años de trabajo. Además, una proteína que funciona en el microorganismo donde ha evolucionado no siempre mantiene el mismo rendimiento en las células humanas o vegetales que se pretende modificar. Por este motivo, después de descubrir una nucleasa suele ser necesario modificarla y analizar numerosas variantes hasta encontrar la más adecuada al objetivo concreto.
La inteligencia artificial ofrece diferentes vías para acelerar el desarrollo de nuevas proteínas CRISPR. Los modelos computacionales pueden analizar grandes conjuntos de secuencias y proponer combinaciones que no han aparecido durante la evolución. El primer ejemplo fue OpenCRISPR-1, una herramienta generada a partir de un modelo entrenado con más de un millón de sistemas CRISPR. Ahora, un equipo del Innovative Genomics Institute introduce un factor más, la evolución, para diseñar nuevas nucleasas guiadas por ARN.
Buscar nucleasas del sistema CRISPR en la naturaleza frente a diseñarlas con IA
La estrategia tradicional para ampliar las herramientas CRISPR comienza con la exploración de genomas microbianos. Los equipos de investigación buscan secuencias parecidas a las nucleasas conocidas, reconstruyen sistemas candidatos y comprueban en el laboratorio si pueden cortar ácidos nucleicos. Cuando una proteína muestra actividad, se introducen cambios para mejorar su funcionamiento en el contexto de la edición génica.
Este laborioso procedimiento ha permitido crear muchas de las herramientas disponibles en la actualidad. No obstante, está limitado por las soluciones que la evolución ha generado y conservado. Aunque, en ocasiones los investigadores han dado un paso más y forzado un poco la evolución con algún componente del sistema.
La inteligencia artificial generativa permite explorar un espacio mucho más amplio de secuencias para sugerir nucleasas candidatas. Aún así, conseguir que las proteínas diseñadas sigan funcionando, sigue siendo complejo. Las nucleasas CRISPR deben coordinar su interacción con un ARN guía y con el ADN que se quiere modificar. También cambian de forma durante el reconocimiento y el corte de la secuencia diana. Considerando estos aspectos, una modificación en un punto de la proteína puede afectar a otras regiones y hacer que la nucleasa pierda su actividad. Como resultado, los primeros modelos de IA solían generar proteínas muy parecidas a las naturales empleadas durante su entrenamiento.
Para superar esta limitación, los investigadores recurrieron a dos estrategias. Por una parte, utilizaron un modelo de plegamiento inverso. Este tipo de modelo parte de una estructura y propone secuencias de aminoácidos capaces de adoptarla. Es decir, funciona de forma reversa a las herramientas como AlphaFold que predicen la estructura tridimensional de una proteína a partir de su secuencia. Por otra parte, los investigadores incorporaron restricciones conocidas de la evolución para conservar aminoácidos importantes en las zonas que interactúan con el ARN y el ADN. De esta manera, el modelo podría introducir una diversidad considerable sin modificar las regiones esenciales para la actividad de la proteína.
Nucleasas diseñadas mediante IA con actividad en diferentes células
El equipo aplicó la estrategia a TnpB, una familia de nucleasas pequeñas relacionada evolutivamente con las proteínas Cas12. Un tamaño compacto y una capacidad para cortar ADN guiadas por ARN hacen que estas proteínas sean candidatas de interés para desarrollar herramientas de edición genética.
Los investigadores generaron y evaluaron aproximadamente 2000 de estas proteínas sintéticas, a las que llamaron SynTnpB. Cerca de una de cada cuatro mostró actividad nucleasa en los ensayos de laboratorio, un resultado muy prometedor teniendo en cuenta que muchas de las enzimas diferían de la familia original.
Tras esta primera selección, analizaron las variantes más prometedoras en distintos contextos biológicos. Las nucleasas SynTnpB pudieron editar ADN en bacterias, células vegetales y células humanas. Algunas conservaron una actividad similar a la TnpB natural, mientras que otras la superaron sin mostrar una pérdida apreciable de especificidad en los ensayos realizados.
Los investigadores también estudiaron la estructura tridimensional de algunas de las variantes con más cambios respecto a las presentes en la naturaleza. Este análisis reveló nuevas interacciones que estabilizaban la unión entre la nucleasa, el ARN guía y el ADN diana y podrían explicar por qué la proteína mantenía su actividad pese a presentar una secuencia muy diferente a la de la nucleasa natural.
Según el Innovative Genomics Institute, se trata de la primera estructura experimental obtenida para una nucleasa funcional guiada por ARN y diseñada mediante inteligencia artificial.
IA y CRISPR para acelerar el desarrollo de editores genéticos
Los resultados muestran que la IA puede reducir parte del tiempo y espacio de búsqueda de las primeras etapas del desarrollo de nucleasas y herramientas CRISPR. En lugar de depender exclusivamente de la identificación fortuita de una proteína natural, los modelos pueden generar familias de candidatos compatibles con una estructura y unas restricciones funcionales determinadas.
A largo plazo, esta capacidad podría facilitar el diseño de nucleasas según necesidades: con distinta velocidad de corte, mayor estabilidad a determinadas temperaturas, requisitos de reconocimiento específicos o tamaños adecuados para ciertos sistemas de transporte. Estas características todavía no se han obtenido de forma generalizada ni a demanda, pero el trabajo establece un protocolo que podría aplicarse a otras proteínas guiadas por ARN.
De momento, se trata de una demostración experimental. La estrategia no está preparada para utilizarse en aplicaciones clínicas. Antes será necesario comprobar el comportamiento de las SynTnpB en más secuencias, tipos celulares y modelos biológicos. También habrá que estudiar en detalle su especificidad y definir los métodos más adecuados para introducirlas en los tejidos. Y, finalmente, habrá que confirmar su seguridad y posible capacidad para generar una respuesta inmunitaria no deseada, algo especialmente necesario en el ámbito terapéutico.
En cualquier caso, la IA complementa, sin sustituir, a la exploración de la diversidad natural de los sistemas CRISPR. Las proteínas presentes en microorganismos siguen siendo esenciales para comprender los mecanismos de edición genética y aportar los datos necesarios para entrenar los modelos.
“En el futuro, cuando pensemos en la medicina personalizada y en cómo tendremos que generar rápidamente nuevas enzimas de edición genómica adaptadas a diferentes enfermedades, este tipo de aproximación, en la que se pueden diseñar rápidamente numerosas propiedades a medida, resultaría muy útil”, destaca Isabel Esain-Garcia una de las primeras autoras del trabajo.
Artículo científico
Skopintsev P, et al. Structure and evolution-guided design of minimal RNA-guided nucleases. Science. 2026 Jul 16;393(6808):313-318. doi: 10.1126/science.aed6123.
Fuente
AI-Assisted Technique Allows Scientists to Design New, Functional Genome Editors Beyond What Can Be Found in Nature. https://innovativegenomics.org/news/ai-designed-functional-genome-editors/
