Durante una década, la promesa central de la edición genética basada en CRISPR ha sido clara: reescribir las instrucciones del ADN que causan enfermedades. Pero siempre ha habido un inconveniente. Las máquinas moleculares que realizan la edición (proteínas tomadas de bacterias y readaptadas para células humanas) no siempre dan en el blanco. A veces editan el gen equivocado, creando mutaciones no intencionadas que podrían causar cáncer u otros daños.
Los investigadores han destinado una gran cantidad de recursos computacionales a este problema. Han resuelto las estructuras tridimensionales de las proteínas editoras unidas al ADN. Han simulado cómo esas proteínas se flexionan y se doblan. Han catalogado miles de sitios fuera del blanco. Y sin embargo, el problema de los efectos fuera del blanco ha seguido siendo obstinadamente difícil de resolver mediante diseño, porque la estructura por sí sola es un mal indicador de lo que ocurre cuando una proteína se encuentra con la secuencia de ADN equivocada.
Un estudio emblemático publicado en Nature este mes cambia eso. Un equipo liderado por Haopeng Meng y Zhijie Lei en la Academia China de Ciencias ha presentado ContactSeek, un marco de IA que utiliza AlphaFold3 de DeepMind no simplemente para predecir la forma de las proteínas de edición genética, sino para medir algo mucho más sutil: con qué confianza cada átomo de la proteína espera interactuar con cada átomo del ADN. Esa señal de confianza, la probabilidad de contacto entre aminoácidos y nucleótidos, resulta ser exquisitamente sensible a la diferencia entre una coincidencia genética perfecta y un cuasi accidente peligroso.
El trabajo, publicado el 23 de julio en Nature (DOI: 10.1038/s41586-026-10794-z), representa un cambio fundamental en la forma en que los biólogos estructurales piensan sobre la especificidad en las máquinas moleculares.
Por qué la estructura no es suficiente
Cuando una proteína como Cas9 se une al ADN, el complejo adopta una forma. Esa forma puede resolverse mediante cristalografía de rayos X, microscopía crioelectrónica, o predecirse con AlphaFold. Pero una proteína unida a su blanco de ADN correcto y otra unida a un blanco incorrecto pueden verse casi idénticas en estructura 3D. La diferencia no está en la pose, sino en el sutil aflojamiento de los contactos atómicos: residuos que ya no tocan a sus compañeros previstos.
La biología estructural convencional ha sido en gran medida ciega a estas diferencias. “La estructura 3D te dice dónde están los átomos, pero no te dice cuánto quieren estar allí”, dijo Meng en una conferencia de prensa. Ese “querer”, la preferencia energética por una interacción sobre otra, está codificado en el conjunto de configuraciones posibles que un complejo proteína-ADN puede explorar. Y ese conjunto es precisamente lo que AlphaFold3 puede muestrear.
AlphaFold3, lanzado en 2024, es la iteración más reciente del sistema de predicción de estructuras proteicas de Google DeepMind. A diferencia de sus predecesores, que predecían una estructura única más probable, AlphaFold3 produce una distribución de posibilidades. Cada par de aminoácidos o nucleótidos recibe una probabilidad de contacto: un número entre 0 y 1 que representa cuán probable cree el modelo que esos residuos interactúen. Estas probabilidades son un subproducto de la arquitectura basada en difusión de AlphaFold3, que genera internamente muchos modelos estructurales plausibles antes de decidir su mejor predicción.
El equipo de ContactSeek se dio cuenta de que estas probabilidades no eran ruido, sino una señal rica. “AlphaFold3 no solo predice una estructura”, explicó Lei. “Explora un paisaje completo de estructuras posibles. Las probabilidades de contacto capturan cuánto tiene que ‘trabajar’ el modelo para ajustar cada interacción en un todo coherente. Cuando el ajuste es malo, la confianza disminuye.”
Mapeo del paisaje de blancos no intencionales
Para probar esta idea, el equipo se centró en los editores de bases de adenina (ABE), una clase de herramientas CRISPR ampliamente utilizada que convierte una letra de ADN (A) en otra (G) sin romper ambas hebras de la doble hélice. Los ABE se construyen fusionando Cas9 con una enzima desaminasa, y aunque son menos disruptivos que los cortes clásicos, todavía producen ediciones fuera del blanco que limitan su uso terapéutico.
Los investigadores primero realizaron cribados genómicos de blancos no intencionales para varias variantes de ABE, identificando cientos de sitios donde los editores produjeron ediciones no deseadas. Luego usaron AlphaFold3 para predecir la estructura de cada editor unido a cada secuencia de ADN fuera del blanco, además del blanco correcto. Para cada complejo, extrajeron la matriz de probabilidad de contacto, aproximadamente 350.000 puntuaciones de interacción por pares.
El resultado fue un conjunto de datos que mapeaba no solo la forma de cada complejo, sino también el paisaje de confianza de cada contacto. Y cuando el equipo comparó los complejos dentro y fuera del blanco, las probabilidades de contacto revelaron patrones claros que las estructuras 3D por sí solas no mostraban.
“Había complejos cuya estructura general era esencialmente idéntica”, dijo Meng. “AlphaFold3 predijo el mismo plegamiento, las mismas posiciones atómicas dentro de unas décimas de nanómetro. Pero las probabilidades de contacto contaban una historia completamente diferente. Las interacciones que eran altamente confiables en el complejo dentro del blanco se volvían ambiguas en el complejo fuera del blanco, aunque los átomos estuvieran en los mismos lugares.”
La idea clave es que la probabilidad de contacto captura una propiedad que la estructura estática no capta: el grado de frustración en el sistema. En el complejo dentro del blanco, cada residuo se asienta en una interacción cómoda; las probabilidades de contacto son uniformemente altas. En el complejo fuera del blanco, algunos contactos son forzados: la geometría puede ser aceptable, pero el ajuste energético es pobre, y el muestreo de conjunto de AlphaFold3 refleja esto como una probabilidad reducida.
De la percepción al diseño
Con los mapas de probabilidad de contacto en mano, el equipo identificó residuos de aminoácidos específicos en el dominio Cas9 de sus ABE que mostraban las mayores caídas en la probabilidad de contacto entre los complejos dentro y fuera del blanco. Estos residuos, razonaron, toleraban el ADN no coincidente y permitían la edición fuera del blanco.
ContactSeek luego guió la ingeniería de proteínas. Al mutar los residuos identificados a variantes que aumentaban la brecha entre las probabilidades de contacto dentro y fuera del blanco, el equipo pudo ajustar sistemáticamente la especificidad.
Los resultados fueron dramáticos. En ensayos con células humanas, los ABE rediseñados redujeron la edición fuera del blanco entre un 69 y un 83 % en múltiples ARN guía y sitios genómicos, mientras mantenían la actividad completa dentro del blanco. El mismo enfoque se generalizó a diferentes variantes de ABE y secuencias guía, lo que sugiere que el método captura un principio fundamental del reconocimiento proteína-ADN.
“Fundamentalmente, las mutaciones que introdujimos no estaban en el sitio activo ni en las regiones que contactan directamente las bases del ADN”, dijo Lei. “Estaban en el esqueleto, en residuos estructurales que modulan la flexibilidad del complejo. La probabilidad de contacto nos permitió ver que estos residuos periféricos eran los verdaderos guardianes de la especificidad, aunque ningún método estructural los hubiera señalado antes.”
Más allá de la edición de bases
ContactSeek no se limita a los editores de bases de adenina. El marco se aplica a cualquier herramienta basada en Cas9, incluyendo CRISPR clásico tipo nucleasa, editores principales y sistemas CRISPRi/a. El equipo ya ha demostrado resultados con proteínas de la familia Cas12.
El costo computacional, aunque sustancial, está disminuyendo rápidamente. Cada análisis de ContactSeek requiere ejecutar AlphaFold3 en cientos a miles de complejos proteína-ADN. Pero los avances en hardware y eficiencia de modelos han reducido el costo a unos pocos miles de dólares por proteína blanco, una ganga en comparación con el ensayo y error que reemplaza.
“Esto cambia el proceso”, dijo David Liu, pionero en edición genética del Broad Institute que no participó en el estudio. “En lugar de crear variantes y probarlas a ciegas, ahora puedes mirar el paisaje de probabilidades de contacto y preguntar: ¿dónde está la proteína más incierta?”
Para los pacientes que esperan terapias genéticas que sean efectivas y seguras, ese cambio de la ingeniería ciega al diseño informado puede ser el avance más importante de todos.
Referencia: Meng, H., Lei, Z. et al. ContactSeek: An AlphaFold3-based framework for engineering specificity in gene-editing proteins. Nature (2026). DOI: 10.1038/s41586-026-10794-z
Traducido por Alessandra