La evolución computacional de proteínas optimiza editores genómicos compactos para eucariotas

La ingeniería de proteínas, esencial para el desarrollo de herramientas biotecnológicas avanzadas, se enfrenta a un desafío considerable cuando la cantidad de datos experimentales disponibles para su optimización es limitada. Recientemente, un equipo de investigadores ha publicado en Nature Biotechnology un avance significativo que aborda esta restricción: han logrado optimizar editores genómicos compactos para células eucariotas mediante un enfoque de evolución computacional de proteínas guiada por modelos, operando de manera eficiente incluso con conjuntos de datos dispersos.

Este método se centra en las nucleasas guiadas por ARN (RNA-guided nucleases), proteínas clave en las tecnologías de edición genética como CRISPR-Cas. La mejora de estas nucleasas implica ajustar su estructura y función para aumentar su especificidad y actividad, al mismo tiempo que se busca reducir su tamaño, una característica crítica para su entrega eficiente en terapias génicas y otras aplicaciones biotecnológicas. El factor diferenciador de este estudio reside en su capacidad para lograr esta optimización sin requerir volúmenes masivos de datos experimentales, una limitación frecuente en la investigación de proteínas.

El proceso de evolución computacional de proteínas se basa en el uso de modelos predictivos y algoritmos para simular y guiar la selección de variantes proteicas con características mejoradas. Al integrar un enfoque "adaptativo", los modelos pueden aprender y refinar sus predicciones a partir de un conjunto de datos inicial y relativamente pequeño, orientando la búsqueda hacia las mutaciones más prometedoras. Este sistema minimiza la necesidad de una experimentación de laboratorio exhaustiva, acelerando el ciclo de diseño-prueba y permitiendo explorar espacios de diseño de proteínas que, de otro modo, serían inaccesibles.

La consecuencia directa de este avance es la creación de editores genómicos más compactos y eficientes. Un tamaño reducido facilita la introducción de estas herramientas en las células, por ejemplo, mediante vectores virales, que tienen una capacidad de carga limitada. Una mayor eficiencia se traduce en una edición genética más fiable y precisa, minimizando los efectos fuera de objetivo y mejorando los resultados en aplicaciones de investigación fundamental y potencial terapéutico, especialmente en organismos eucariotas complejos.