La edición genética ha pasado de ser una curiosidad de laboratorio a una realidad clínica. Las terapias basadas en la tecnología CRISPR están llegando a los pacientes, y la ciencia detrás de ellas ha madurado considerablemente en las últimas dos décadas. Sin embargo, un problema ha persistido desde el principio: a veces estos sistemas editan la parte equivocada del genoma. Un equipo de investigación que trabaja en múltiples instituciones de China ha utilizado ahora AlphaFold de Google, una herramienta de IA para el plegamiento de proteínas, para identificar exactamente qué partes de una proteína de edición genética son responsables de esos errores, y luego ha rediseñado esas partes para reducir los fallos de manera sustancial.
El problema off-target que hace que la edición genética sea riesgosa a gran escala
Para entender por qué esto importa, resulta útil comprender la arquitectura básica de un sistema de edición genética basado en CRISPR. Hay tres componentes fundamentales. El primero es un RNA guía, una secuencia molecular corta diseñada para coincidir con un tramo específico de DNA en el genoma. El segundo es una proteína Cas, de las cuales la más famosa es Cas9, que se une físicamente tanto al RNA guía como al DNA objetivo y garantiza la especificidad de la interacción. El tercero es una proteína efectora que modifica realmente el DNA una vez que el complejo está en su lugar.
El RNA guía suele tener unos 18 nucleótidos de longitud. Estadísticamente, una secuencia de esa longitud debería aparecer solo una vez en aproximadamente 70 000 millones de bases de DNA aleatorio, y el genoma humano tiene solo unos 3 000 millones de bases. En la teoría, el sistema debería ser lo suficientemente preciso como para evitar ediciones accidentales. La complicación radica en que Cas9 puede tolerar un pequeño número de bases no coincidentes y, aun así, unirse a una secuencia de DNA. Esto significa que en ocasiones se adhiere a sitios que son similares pero no idénticos al objetivo previsto, lo que produce lo que los investigadores llaman efectos off-target.
En una terapia, esto no es una preocupación teórica. Los tratamientos requieren editar un gran número de células, y un error de baja probabilidad, repetido en millones de eventos de edición, se vuelve estadísticamente inevitable. Reducir esa tasa de error no es opcional. Es un requisito previo para un uso clínico seguro.
Cómo AlphaFold reveló las raíces estructurales del problema
La clave del equipo de investigación fue de naturaleza estructural. Un híbrido de DNA-RNA perfectamente emparejado tiene una forma tridimensional específica. Un híbrido con una o más bases no coincidentes tiene una forma ligeramente diferente. La proteína Cas9 evolucionó para reconocer la forma correcta, pero la evolución no le ha impedido adoptar conformaciones ligeramente diferentes que le permiten interactuar con las versiones no coincidentes.
Para descubrir qué partes de Cas9 eran responsables de esta flexibilidad, el equipo construyó primero una amplia biblioteca de sitios de edición off-target conocidos. Utilizaron un sistema CRISPR modificado para convertir una base de DNA específica, la adenina, en un compuesto químico relacionado llamado inosina, y luego aislaron y analizaron los fragmentos de DNA resultantes. Repitieron este proceso con 10 RNA guía diferentes para obtener una visión amplia del panorama de los efectos off-target.
A continuación, introdujeron estos datos en AlphaFold. Inicialmente, el complejo completo resultó demasiado complicado para que el software lo manejara correctamente, ubicando una proteína en la localización equivocada. El equipo simplificó los datos de entrada a solo el DNA, el RNA guía y la propia Cas9, y los resultados se alinearon bien con las estructuras determinadas mediante experimentos físicos.
Al comparar los resultados de AlphaFold para los sitios on-target y off-target, surgieron patrones claros. Aproximadamente dos tercios de los sitios off-target hicieron que Cas9 adoptara una estructura general ligeramente diferente. Lo que es más sorprendente, más del 95 por ciento de ellos alteró qué aminoácidos dentro de Cas9 entraban en contacto con el RNA. El equipo creó un marco de análisis al que llamaron ContactSeek, el cual utilizó la capacidad integrada de AlphaFold para calcular la “probabilidad de contacto” —esencialmente la probabilidad de que dos componentes moleculares cualesquiera estén a menos de ocho Angstroms el uno del otro— para mapear exactamente qué aminoácidos cambiaban su comportamiento en los sitios off-target.
ContactSeek generó una larga lista de aminoácidos candidatos. El equipo se centró en las regiones donde estos candidatos se agrupaban, interpretando esta agrupación como una señal de que esas áreas se estaban adaptando activamente para dar cabida a las bases no coincidentes. Luego probaron 23 sustituciones de aminoácidos diferentes en 10 posiciones clave. El resultado fue una variante de Cas9 que mantuvo la actividad de edición normal en los sitios de interés previstos, mientras que su actividad off-target cayó del 28 por ciento al 5 por ciento. El enfoque también funcionó con diferentes RNA guía y con un sistema relacionado que utiliza una proteína distinta, Cas12.
Por qué un método importa más que un solo resultado
Otros grupos de investigación han desarrollado variantes mejoradas de Cas9 mediante diferentes técnicas, incluida la evolución dirigida. Las nuevas variantes se comportaron de manera comparable, o ligeramente superior, a esas alternativas existentes. Pero la contribución más significativa aquí no es una sola proteína mejorada. Es el método en sí mismo.
Los enfoques anteriores para reducir los efectos off-target tendían a producir variantes de Cas9 mejoradas a nivel general, proteínas que suelen ser más precisas en múltiples situaciones. El enfoque de ContactSeek, en cambio, identifica cambios que pueden ser más específicos para una combinación particular de RNA guía y desemparejamiento de bases. Esto abre la posibilidad de diseñar sistemas de edición genética personalizados no solo para un gen objetivo, sino también para el contexto genómico específico de un paciente, mapeando y minimizando con antelación los riesgos off-target.
Los investigadores también señalan que los cambios de aminoácidos identificados mediante este método podrían combinarse potencialmente con los ya presentes en variantes de Cas9 desarrolladas previamente, aunque esa combinación no se probó en este trabajo.
Esto es lo que la mayoría de la cobertura sobre la IA en la biología pasa por alto. AlphaFold no es simplemente una herramienta para predecir la forma de las proteínas. Se está convirtiendo en un instrumento analítico para comprender cómo se comportan las proteínas en diferentes condiciones y para identificar las palancas moleculares específicas que controlan ese comportamiento. Ese cambio —de la descripción al diagnóstico y de ahí al diseño— es donde reside el verdadero valor científico.
En resumen
Un equipo de investigación utilizó AlphaFold para mapear qué partes de la proteína Cas9 permiten errores en la edición genética y luego rediseñó esas partes para reducir la actividad de edición off-target del 28 por ciento al 5 por ciento. El método, al que llaman ContactSeek, funciona con diferentes RNA guía y distintas proteínas Cas. Su importancia más amplia no radica solo en obtener una proteína más segura, sino en contar con un marco general para diseñar sistemas de edición genética con perfiles de error conocidos y controlables, una capacidad que podría resultar fundamental a medida que estas terapias sigan avanzando hacia el uso clínico.
Basado en información de Ars Technica.