El laboratorio Baker diseña proteasas de IA que escinden proteínas asociadas a enfermedades

Dos equipos del Instituto de Diseño de Proteínas de la University of Washington publicaron estudios en Nature el 14 de octubre de 2026, en los que presentan proteasas diseñadas desde cero mediante métodos computacionales para hidrolizar el esqueleto polipeptídico en secuencias específicas, incluidos sitios de las proteínas humanas asociadas a enfermedades TDP-43, amiloide-β y amiloide A sérica.

Los enlaces amida que unen los aminoácidos a lo largo del esqueleto peptídico son estables durante cientos de años en una solución acuosa neutra debido a la elevada barrera energética que se debe superar para hidrolizarlos; además, el estudio sobre proteasas de cisteína señala que, hasta entonces, los avances en el diseño de enzimas de novo se habían limitado en gran medida a reacciones modelo con barreras energéticas bajas. Un estudio produjo metaloproteasas basadas en zinc; el otro, proteasas que actúan mediante un nucleófilo de cisteína activado. David Baker figura como autor de correspondencia en ambos estudios, y Donald Hilvert, de ETH Zurich, también es autor de correspondencia en los dos.

Una plataforma de diseño de metaloproteasas basadas en zinc

En Diseño computacional de metaloproteasas, los coautores principales Anqi Chen y Kejia Wu y sus colegas describen el uso de métodos RFdiffusion para diseñar proteínas con sitios activos basados en zinc que activan el agua, situados junto a un bolsillo de unión al sustrato peptídico. De los 135 diseños evaluados, el 36 % catalizó la escisión de sus sustratos peptídicos correspondientes en el enlace escindible previsto, según el estudio. El mejor diseño inicial aceleró la hidrólisis del enlace peptídico más de 10⁸ veces en comparación con la reacción no catalizada, y cuatro sustituciones aumentaron esa aceleración a más de 10¹⁰ veces al mejorar la preorganización del sitio activo, según el estudio.

El proceso de generación combinó una ronda inicial de generación de esqueletos guiada por motivos, seguida del diseño de secuencias y el filtrado con AlphaFold 3; después, se realizaron dos rondas de refinamiento mediante difusión parcial, con diseño de secuencias y filtrado adicionales, y una iteración final entre el diseño de secuencias y el filtrado con AlphaFold 3. Para optimizar un diseño denominado Zn45, el equipo evaluó 378 variantes de saturación de sitio único en 21 posiciones de residuos y 148 variantes combinatorias en seis posiciones. Así obtuvo una variante mejorada, Zn45_v2, que caracterizó mediante mediciones del número total de recambio y de la cinética de Michaelis-Menten.

Los investigadores determinaron las estructuras cristalinas de varios diseños, entre ellos Zn5, TDPr3, ZnO7 y Zn48, y las depositaron en el Protein Data Bank con los códigos de acceso 11CE, 11CM, 11CP, 11CR, 11CU, 11CY y 11DU. Mediante cálculos con campos de fuerza basados en aprendizaje automático, examinaron las energías de activación del paso de ataque nucleofílico de la proteasa natural de zinc astacina y de los diseños ZnO7 y Zn45. Los datos y el código del estudio están disponibles en Zenodo.

Escisión selectiva de proteínas asociadas a enfermedades

El estudio sobre metaloproteasas presenta diseños que escinden selectivamente las proteínas humanas asociadas a enfermedades TDP-43, amiloide-β y amiloide A sérica, con aumentos de la velocidad de hasta 10⁹ veces. Entre los ejemplos mencionados figuran TDPr3, dirigido a TDP-43; SAAc8, dirigido a la amiloide A sérica en la secuencia SSRSFFSFLG; y AbetaF3, dirigido al amiloide-β en la secuencia KGAIIGLMVG.

En el caso de TDP-43, los autores rediseñaron un armazón existente para que cortara dentro del dominio C-terminal desordenado de la proteína, que regula la separación de fases líquido-líquido y la oligomerización, en lugar de degradar la proteína completa. El estudio presenta esta estrategia como una forma de modular ese comportamiento de fase y la oligomerización sin eliminar las funciones nucleares esenciales de los dominios estructurados de la proteína.

El equipo también diseñó citocinas enmascaradas y antagonistas de receptores que las proteasas diseñadas activan de forma selectiva, lo que, según el estudio, permite controlar el estado celular de manera bioortogonal. Los autores concluyen que el diseño de novo puede producir proteasas muy activas y programables, con posibles aplicaciones en terapéutica, biotecnología y biorremediación.

Una declaración sobre conflictos de intereses indica que se presentaron las solicitudes provisionales de patente 64/047,504 y 63/921,483, relacionadas con aspectos de los métodos y los diseños, y enumera a Chen, Wu, Choi, Preetham Venkatesh, Samuel J. Pellock, Hilvert, Asim K. Bera y Baker como inventores o colaboradores.

Una segunda familia de proteasas basada en la cisteína

El segundo estudio, Diseño de novo de proteasas de cisteína, cuyo primer autor es Hojae Choi, utilizó un nuevo método de aprendizaje profundo llamado RFD2-MI —desarrollado por los miembros del equipo Brian Coventry y Magnus S. Bauer— para diseñar enzimas que emplean un nucleófilo de cisteína activado para hidrolizar el esqueleto polipeptídico de manera dependiente de la secuencia. El estudio informa de 13 diseños activos entre los 69 evaluados, es decir, una tasa de éxito del 19 %, y de aumentos de la velocidad de hasta 3 × 10⁷ con respecto a la reacción de fondo.

Según el estudio, las proteasas diseñadas adoptan plegamientos muy distintos de los de las proteasas naturales, con una puntuación TM inferior a 0,50, y seis estructuras cristalinas coinciden con los modelos de diseño con una desviación cuadrática media de Cα inferior a 1,2 Å. Las estructuras se depositaron en el Protein Data Bank con los códigos de acceso 9YNL, 9YNM, 9YOX, 9YOY, 9YOZ y 9YP0. La plataforma de diseño alternó la generación de esqueletos con RFD2-MI, el diseño de secuencias con ProteinMPNN y el filtrado con AlphaFold 3.

En una ronda de rediseño aplicada a una proteasa llamada Dokki, 24 de las 89 variantes generadas superaron al diseño original, con mejoras en la tasa de entre 1,2 y 31 veces; la variante que más mejoró recibió el nombre de Dokki-15. Según el artículo, las proteasas diseñadas escindieron eficazmente sus dianas en células de mamífero, como se demostró en células HeLa mediante un ensayo con reportero que seguía la relocalización del sustrato dependiente de la enzima y empleaba mutantes catalíticamente inactivos como controles. Los análisis experimentales y computacionales de los autores atribuyen la diferencia de actividad restante con respecto a las proteasas de cisteína naturales más activas a imperfecciones en la preorganización del sitio activo y el posicionamiento del sustrato.

Historial de publicación, financiación y código

Nature recibió ambos artículos el 14 de octubre de 2025; el artículo sobre proteasas de cisteína fue aceptado el 9 de septiembre de 2026, y el artículo sobre metaloproteasas, el 15 de septiembre de 2026. Versiones anteriores aparecieron como prepublicaciones en bioRxiv en noviembre de 2025: el estudio sobre proteasas de cisteína se publicó el 22 de noviembre de 2025, y el estudio sobre metaloproteasas se publicó por primera vez el 21 de noviembre de 2025 y se revisó hasta llegar a una cuarta versión el 27 de septiembre de 2026.

Las declaraciones de financiación enumeran el Howard Hughes Medical Institute, la Bill and Melinda Gates Foundation, la Defense Threat Reduction Agency, la National Science Foundation, el National Institute of Allergy and Infectious Diseases y el National Institute on Aging de los National Institutes of Health, el programa APECx de la Advanced Research Projects Agency for Health, The Audacious Project del Institute for Protein Design y el Open Philanthropy Project, entre otros financiadores. El código de diseño y análisis del estudio sobre proteasas de cisteína está disponible públicamente en dos repositorios de GitHub, y los autores del artículo sobre proteasas de cisteína declararon no tener conflictos de intereses.