La evolución es una escaladora ciega, y el paisaje que navega es traicionero.
Una proteína bajo presión evolutiva solo puede mutar un paso a la vez. Cada cambio que la mejora en su tarea también debe dejarla lo suficientemente estable para plegarse, lo suficientemente soluble para funcionar y lo suficientemente cooperativa para sobrevivir en una célula. La selección natural no puede saltar valles. Solo puede caminar por las crestas. Así que cuando los científicos impulsan a una enzima a evolucionar una nueva capacidad en el laboratorio, no empiezan desde cero. Empiezan desde una proteína de tipo salvaje, una que la naturaleza ya hizo estable y funcional durante millones de años. Y aquí es donde la escaladora ciega puede quedarse atascada.
Un nuevo estudio del laboratorio de David Liu en el Broad Institute del MIT y Harvard, publicado en Nature el 22 de julio de 2026, muestra que esta sabiduría convencional tiene una debilidad oculta: el punto de partida de tipo salvaje es en sí mismo una limitación. Al usar inteligencia artificial para rediseñar ese punto de partida antes de que comience la evolución, los investigadores abrieron partes del paisaje de aptitud proteica que la evolución por sí sola nunca podría alcanzar. Los resultados trastocan una suposición básica de la evolución dirigida y apuntan hacia una estrategia general para producir enzimas mucho mejores de las que la naturaleza o la IA pueden lograr por sí solas.
El trabajo, liderado por Benjamin Krasnow, Eric Xu y Jiale Zhang, se centra en una familia de proteasas derivadas de la neurotoxina botulínica (BoNT). Estas enzimas cortan otras proteínas en secuencias específicas, y los investigadores han pasado años diseñándolas para atacar proteínas terapéuticamente relevantes en lugar de sus sustratos naturales de células nerviosas. El enfoque estándar es la evolución dirigida: introducir mutaciones aleatorias, evaluar la actividad mejorada sobre el objetivo deseado, repetir. Funciona, pero solo hasta cierto punto. Los autores descubrieron que los andamios de tipo salvaje habituales tenían un problema grave: a medida que acumulaban mutaciones durante la evolución, perdían estabilidad.
Este es el dilema de la escaladora. Las mutaciones que mejoran la capacidad de una enzima para reconocer un nuevo objetivo tienden a desestabilizar su estructura. La proteína se vuelve endeble, se pliega mal o se degrada antes de poder hacer su trabajo. La secuencia de tipo salvaje, a pesar de toda su robustez natural, no está diseñada para tolerar el tipo de mutaciones que la evolución de laboratorio exige. Evolucionó para su propio nicho ecológico, no para la ingeniería terapéutica.
La solución de IA llegó de ProteinMPNN, un modelo de aprendizaje profundo desarrollado originalmente por el laboratorio Baker para el diseño inverso de proteínas. Dada una estructura de esqueleto proteico, ProteinMPNN predice qué secuencias de aminoácidos tienen más probabilidades de plegarse en esa estructura. El equipo de Liu lo utilizó no para diseñar proteínas completamente nuevas, sino para rediseñar los andamios BoNT existentes: mantener la geometría del esqueleto, pero permitir que la IA sugiriera secuencias alternativas que estabilizaran la estructura y toleraran más mutaciones.
Las enzimas rediseñadas fueron dramáticamente más robustas frente a mutaciones que sus parentales de tipo salvaje. Cuando los investigadores introdujeron mutaciones aleatorias en todo el espectro, los puntos de partida rediseñados por IA se mantuvieron plegados y funcionales mucho más tiempo. Habían sido, en efecto, preoptimizados para el viaje evolutivo por delante.
La verdadera prueba llegó cuando el equipo enfrentó los puntos de partida rediseñados por IA contra los puntos de partida de tipo salvaje en campañas PACE directas. PACE (evolución continua asistida por fagos) es una tecnología desarrollada por el laboratorio Liu que vincula la actividad de una proteína con la replicación de un bacteriófago, permitiendo que la evolución ocurra durante cientos de generaciones en días, sin intervención humana. Cada ciclo de mutación y selección es impulsado por el rendimiento de la enzima sobre el sustrato objetivo, no por un investigador eligiendo ganadores a mano.
En cada comparación, los puntos de partida rediseñados por IA evolucionaron proteasas más activas que los puntos de partida de tipo salvaje. La brecha no fue marginal. Algunas de las mejores variantes evolucionadas a partir de fondos rediseñados tenían actividades que las variantes evolucionadas de tipo salvaje simplemente no podían alcanzar. Al secuenciar las trayectorias evolutivas, el equipo descubrió que los puntos de partida rediseñados conducían a secuencias que eran inaccesibles desde el fondo de tipo salvaje. No era que las enzimas rediseñadas por IA evolucionaran más rápido por el mismo camino. Encontraron caminos completamente diferentes, a través de un espacio de secuencias completamente diferente, hacia picos más altos que la escaladora de tipo salvaje no podía ver.
Este es el hallazgo más sorprendente del artículo. La evolución desde el punto de partida de tipo salvaje no es una versión más lenta del mismo proceso. Es un proceso fundamentalmente limitado. La secuencia de tipo salvaje se encuentra en un lugar particular del paisaje de aptitud, y los caminos mutacionales que irradian desde ese lugar solo llevan a ciertos vecindarios. Las secuencias rediseñadas por IA se encuentran en diferentes lugares, irradiando hacia diferentes vecindarios. Al elegir el punto de partida correcto, los investigadores pudieron acceder a regiones del paisaje que simplemente eran inalcanzables desde el origen de tipo salvaje.
El equipo demostró el potencial terapéutico de este enfoque al evolucionar una proteasa BoNT/E para escindir selectivamente ataxina-2, una proteína cuya agregación está implicada en enfermedades neurodegenerativas, incluida la ataxia espinocerebelosa tipo 2 y la esclerosis lateral amiotrófica. La proteólisis selectiva de proteínas asociadas a enfermedades es un objetivo importante de la ingeniería de proteínas: el desafío es fabricar una enzima que corte el objetivo correcto mientras deja todo lo demás intacto.
Evolucionada desde un punto de partida de tipo salvaje, la mejor variante de BoNT/E para la escisión de ataxina-2 tenía una especificidad modesta. Evolucionada desde un punto de partida rediseñado por IA, la mejor variante logró una especificidad más de 79 veces mejor para ataxina-2 sobre sustratos fuera de objetivo, mientras mantenía una mayor eficiencia catalítica y una termoestabilidad superior. La variante rediseñada-evolucionada era simultáneamente más selectiva, más activa y más estable que la variante evolucionada de tipo salvaje. Estas tres propiedades suelen estar en tensión; las mejoras en una a menudo vienen a costa de otra. El punto de partida de IA permitió que la evolución rompiera ese compromiso.
Lo que hace que el trabajo sea ampliamente significativo es su generalidad. El pipeline tiene solo tres pasos: tomar una estructura de proteína, ejecutar ProteinMPNN para generar secuencias rediseñadas y someter los mejores candidatos a evolución continua contra el objetivo de interés. Sin algoritmos personalizados, sin ajustes específicos de proteína, sin conocimiento previo de las limitaciones evolutivas. El paso de rediseño con IA no requiere trabajo experimental. Es un cálculo que se ejecuta en una laptop en minutos.
La implicación es que para cualquier problema de ingeniería de proteínas donde la evolución sea parte de la solución, el punto de partida importa tanto como el proceso evolutivo mismo. Darle a la evolución una mejor plataforma de lanzamiento, en lugar de comenzar desde la secuencia de tipo salvaje que la naturaleza nos dejó, puede convertirse en el enfoque estándar. La escaladora ciega obtiene una linterna frontal.
Los ingenieros de proteínas han pasado décadas desarrollando formas más inteligentes de mutar, seleccionar y evolucionar. Este trabajo sugiere que la intervención de mayor impacto puede ser la más simple: cambiar dónde comienzas. La IA no reemplaza a la evolución. Solo apunta a la evolución en una dirección que parece poco prometedora desde el antiguo punto de partida, pero que resulta contener una riqueza de función oculta. La secuencia de tipo salvaje no es sagrada. Es solo el primer borrador. El segundo borrador, escrito por un modelo que puede ver a través de todo el paisaje de una sola vez, le da a la evolución el impulso que necesita para alcanzar proteínas que la naturaleza nunca pudo crear.
Traducido por Alessandra