La IA rediseña proteínas editoras de genes para aumentar la eficiencia de la edición prime casi 3 veces
Los investigadores utilizaron el diseño de proteínas mediante IA para rediseñar las enzimas del editor de primer orden, logrando una edición del genoma hasta 2,9 veces más eficaz en ratones.
Resumen
La edición primaria (*prime editing*) es una tecnología de edición genética de precisión que puede corregir mutaciones en el DNA causantes de enfermedades sin necesidad de cortar ambas hebras del DNA. Científicos del Broad Institute utilizaron una herramienta de inteligencia artificial llamada ProteinMPNN para rediseñar el componente de transcriptasa inversa de los editores primarios —la maquinaria molecular que escribe nuevas secuencias genéticas—. Las versiones obtenidas previamente mediante evolución en laboratorio de esta enzima eran más activas, pero inestables y con escasa expresión dentro de las células. Las versiones rediseñadas por IA introdujeron desde decenas hasta más de 150 cambios en aminoácidos, conservando el núcleo catalítico, lo que resultó en proteínas más estables y abundantes. Al ser evaluados en células primarias humanas y administrados en ratones vivos, estos editores PE8 rediseñados lograron una eficiencia de edición hasta 2,9 veces mayor que los mejores editores primarios disponibles en la actualidad. Este avance ofrece una estrategia ampliamente aplicable para mejorar las herramientas de terapia génica.
Resumen detallado
La edición principal (*prime editing*) alberga un enorme potencial para corregir enfermedades genéticas mediante la reescritura precisa de secuencias de DNA sin generar roturas de doble cadena. Sin embargo, la optimización de los editores principales a través de la evolución clásica en laboratorio ha llegado a un punto límite: las mutaciones que mejoran la actividad enzimática frecuentemente desestabilizan la proteína y reducen la cantidad de enzima funcional producida dentro de las células, lo que perjudica el rendimiento en condiciones reales.
Investigadores del laboratorio de David Liu en el Broad Institute abordaron este problema aplicando diseño de proteínas guiado por inteligencia artificial. Empleando ProteinMPNN, una red neuronal de plegamiento inverso basada en estructura, rediseñaron sistemáticamente los dominios de transcriptasa inversa (RT) de editores principales ya evolucionados. El objetivo era encontrar secuencias de aminoácidos que se plegaran establemente en la estructura tridimensional correcta, conservando al mismo tiempo las regiones catalíticas esenciales para la función. Las enzimas rediseñadas presentaron entre 30 y 163 sustituciones de aminoácidos en comparación con sus predecesoras evolucionadas.
Los resultados fueron notables. Las variantes de RT rediseñadas mostraron mayor estabilidad de plegamiento y expresión soluble, y proporcionaron hasta el doble de niveles intracelulares de proteína del editor principal cuando se introdujeron mediante entrega de mRNA. En múltiples tipos de células primarias humanas y con diversas modalidades de entrega, los nuevos editores PE8 superaron de manera consistente a las versiones anteriores.
En estudios en ratón, los editores PE8 rediseñados alcanzaron eficiencias de edición hasta 2,9 veces superiores a las de los editores PE6, PE7 y PEmax de última generación, que constituyen los referentes actuales en el campo. Esto representa un avance significativo para las aplicaciones de terapia génica *in vivo*.
La implicación más amplia es que el rediseño de proteínas guiado por inteligencia artificial puede funcionar como una segunda capa generalizable sobre la evolución en laboratorio, recuperando las pérdidas de estabilidad y expresión que de otro modo limitan el rendimiento. Este flujo de trabajo podría acelerar el desarrollo de editores genéticos de próxima generación para el tratamiento de enfermedades hereditarias. Entre las advertencias se incluyen los datos públicos limitados más allá del resumen, así como interrogantes no resueltos sobre la seguridad a largo plazo y los perfiles de edición fuera del objetivo.
Hallazgos clave
- AI-redesigned reverse transcriptases carried 30–163 amino acid substitutions with improved folding stability and soluble expression.
- Intracellular prime editor protein levels increased up to twofold after mRNA delivery with redesigned enzymes.
- PE8 editors achieved up to 2.9-fold higher editing efficiency in mice versus leading PE6, PE7, and PEmax editors.
- Enhanced performance was demonstrated across multiple human primary cell types and delivery methods.
- AI-guided redesign offers a generalizable strategy to rescue stability losses caused by laboratory evolution.
Metodología
El estudio utilizó ProteinMPNN, una red de IA de plegamiento inverso informada por estructura, para rediseñar los dominios RT de editores prime evolucionados, preservando al mismo tiempo los residuos catalíticos. El rendimiento se evaluó en células primarias humanas ex vivo mediante múltiples modalidades de administración y en modelos murinos in vivo. Las comparaciones se realizaron frente a los editores prime de referencia actuales PE6, PE7 y PEmax.
Limitaciones del estudio
Este resumen se basa únicamente en el resumen del artículo, ya que el texto completo no es de acceso abierto. La seguridad a largo plazo, los perfiles de edición fuera del objetivo y las respuestas inmunitarias a las proteínas rediseñadas no han sido detallados públicamente. Existen conflictos de interés comerciales, ya que varios autores están afiliados a empresas de edición genómica.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.