Diseño de proteínas con IA: cómo las redes neuronales crean enzimas que no existen en la naturaleza
La naturaleza ha dedicado miles de millones de años a desarrollar enzimas, las proteínas que permiten que las reacciones químicas se produzcan de forma rápida y eficiente. Sin embargo, la evolución natural nunca ha tenido que resolver todos los problemas a los que se enfrenta la química moderna, desde la fabricación de medicamentos especializados hasta el procesamiento de materiales industriales poco habituales. La inteligencia artificial ofrece una alternativa: los investigadores pueden proponer estructuras proteicas completamente nuevas, producirlas en el laboratorio y comprobar si son capaces de realizar una reacción determinada. Para 2026, este enfoque ya ha permitido obtener enzimas funcionales con estructuras que no se encuentran entre sus equivalentes naturales.
Por qué los científicos diseñan proteínas que van más allá de la naturaleza
Una enzima es una proteína formada por una cadena de aminoácidos que se pliega hasta adquirir una estructura tridimensional específica. Dentro de esa estructura existe una pequeña región, denominada centro activo, donde una sustancia química puede unirse y reaccionar. El resto de la proteína mantiene los componentes necesarios en la posición adecuada, lo que a menudo permite que una reacción se produzca en condiciones menos exigentes que las necesarias en los procesos químicos industriales convencionales. Una proteína que funciona perfectamente dentro de una célula puede resultar inadecuada para una sustancia desconocida, un proceso de fabricación o un material desarrollado recientemente.
Durante décadas, los científicos han mejorado las enzimas introduciendo pequeñas modificaciones en proteínas existentes y midiendo qué versiones funcionan mejor. Este procedimiento se conoce como evolución dirigida y continúa siendo una técnica muy eficaz. Su principal limitación es que los investigadores suelen necesitar una enzima de partida que ya sea útil o, al menos, una proteína con cierta actividad que pueda mejorarse. El diseño de novo sigue un planteamiento diferente: parte de la función que se desea conseguir y busca desarrollar una proteína nueva capaz de realizarla.
La expresión «no se encuentra en la naturaleza» requiere una interpretación precisa. Una enzima artificial puede presentar una secuencia de aminoácidos nueva, una estructura general desconocida o una disposición de grupos químicos que no se haya observado en las proteínas conocidas. Algunos de los estudios recientes más destacados reproducen deliberadamente tipos de reacciones químicas conocidas dentro de estructuras proteicas completamente nuevas, ya que esto permite evaluar el método de diseño de manera fiable. Otros experimentos se centran en reacciones que las enzimas naturales realizan en contadas ocasiones o que posiblemente nunca han llegado a catalizar. Ambos enfoques son valiosos, aunque responden a preguntas diferentes sobre lo que la IA realmente puede crear.
Qué aprenden las redes neuronales sobre la estructura de las proteínas
Las redes neuronales aprenden patrones a partir de grandes colecciones de secuencias proteicas, estructuras determinadas experimentalmente y observaciones de laboratorio. Su entrenamiento les permite reconocer qué aminoácidos tienen más probabilidades de encajar entre sí, qué estructuras son físicamente viables y cómo una modificación en una región puede afectar a otra. Esto no significa que el software comprenda por completo la química. Significa que los científicos pueden investigar una cantidad enorme de diseños posibles de una manera mucho más inteligente que mediante la comprobación de combinaciones aleatorias.
Las distintas herramientas cumplen funciones diferentes. AlphaFold contribuyó a que la predicción de estructuras proteicas resultara mucho más práctica, mientras que AlphaFold 3, descrito en la revista Nature en 2024, amplió estas predicciones a las interacciones entre proteínas, moléculas pequeñas y otros componentes biológicos. Estas predicciones ayudan a los investigadores a examinar cómo podría plegarse una enzima propuesta o cómo podría alojar una molécula que participa en una reacción. Sin embargo, no demuestran que dicha reacción vaya a producirse.
Las herramientas generativas abordan el problema complementario de crear algo nuevo. RFdiffusion, presentado en 2023, puede construir esqueletos proteicos alrededor de una disposición determinada de características estructurales o funcionales, en lugar de limitarse a predecir la forma de una secuencia conocida. Otros modelos, como ProteinMPNN y herramientas relacionadas, ayudan a seleccionar secuencias de aminoácidos que podrían mantener las estructuras propuestas. Los científicos siguen siendo quienes deciden qué reacción es importante, establecen los requisitos químicos y eligen qué diseños merecen ser sometidos a pruebas.
Cómo convierte la IA un objetivo químico en una enzima funcional
El proceso de diseño suele comenzar con una transformación química y no con una proteína. Los investigadores identifican el enlace que desean romper o formar y estudian cómo determinados grupos químicos podrían facilitar ese paso. El centro activo de una enzima debe colocar estos grupos cerca de la molécula que participa en la reacción y mantenerlos en una disposición precisa. Un sistema moderno de IA puede ayudar a construir la proteína que rodea esos grupos para conservarlos en la posición adecuada, en lugar de buscar un espacio apropiado dentro de las proteínas existentes.
La siguiente etapa consiste en generar numerosas estructuras posibles y proponer secuencias de aminoácidos para cada una de ellas. Después, los modelos informáticos evalúan si es probable que cada candidata se pliegue correctamente, si el centro activo conservará la forma prevista y si la molécula que debe reaccionar tendrá suficiente espacio para encajar. Algunos de los métodos más recientes examinan más de un momento de la reacción química, porque una enzima eficaz debe facilitar una secuencia de cambios y no limitarse a mantener una única estructura inmóvil. Esto reduce el esfuerzo experimental, pero incluso los diseños mejor valorados siguen siendo hipótesis hasta que se fabrican y se someten a pruebas.
La validación en el laboratorio constituye la etapa decisiva. Normalmente, los científicos encargan la síntesis del ADN que codifica una proteína seleccionada, utilizan células vivas para producirla, purifican el material y lo exponen a la sustancia prevista. A continuación, miden si se forma el producto esperado, a qué velocidad avanza la reacción y con qué regularidad funciona la enzima. Los experimentos de control permiten determinar si el resultado procede de la proteína diseñada y no de una reacción que se produciría igualmente en su ausencia. Un resultado positivo demuestra una actividad catalítica real, aunque todavía se necesitan investigaciones adicionales para confirmar que la enzima es selectiva, resistente y útil fuera de unas condiciones estrictamente controladas.
Los avances de laboratorio que demostraron el potencial de esta tecnología
Un estudio publicado en Science en 2025 presentó nuevas serina hidrolasas diseñadas artificialmente, enzimas que rompen determinados enlaces químicos mediante un grupo coordinado de aminoácidos. Los investigadores combinaron RFdiffusion con otro método basado en redes neuronales para evaluar si el centro activo conservaría su funcionalidad durante varias etapas de una reacción. Los resultados de laboratorio incluyeron eficiencias catalíticas de hasta 4.300 M⁻¹ s⁻¹, una medida habitual del rendimiento enzimático, y las estructuras proteicas determinadas experimentalmente coincidieron estrechamente con las predicciones. Un aspecto especialmente importante fue que las enzimas diseñadas presentaban plegamientos diferentes de los encontrados en los miembros naturales de esta familia de enzimas.
Otro avance apareció en Nature, en un estudio publicado en línea en diciembre de 2025 e incluido en la edición de enero de 2026. Los investigadores presentaron Riff-Diff, un método que combina estructuras proteicas generadas mediante IA con un refinamiento detallado de sus centros catalíticos. Crearon enzimas para dos reacciones diferentes: la escisión retroaldólica y la reacción de Morita–Baylis–Hillman, que permite formar un enlace carbono-carbono. Las mediciones estructurales de seis diseños también confirmaron una notable correspondencia con los centros activos previstos, lo que demuestra que es posible construir mecanismos catalíticos cuidadosamente organizados dentro de estructuras proteicas nuevas.
En otro estudio publicado en Nature en 2026, los investigadores utilizaron RFdiffusion2 para crear enzimas que contienen zinc y facilitan la ruptura de enlaces químicos mediante el uso de agua. Primero probaron experimentalmente 96 diseños iniciales y después otros 96, identificando varios catalizadores activos. Los mejores diseños de la segunda ronda alcanzaron eficiencias catalíticas de hasta 53.000 M⁻¹ s⁻¹, y una estructura cristalina determinada experimentalmente mostró una gran correspondencia con la predicción informática. Un trabajo relacionado publicado en Nature Methods demostró que RFdiffusion2 podía incorporar las 41 disposiciones de centros activos utilizadas en una prueba de referencia computacional, frente a las 16 que conseguía un método anterior.
Qué podrían cambiar las enzimas artificiales en la práctica
La medicina y la fabricación de productos químicos especializados son dos de los ámbitos de aplicación más evidentes. Un compuesto químico puede existir en dos formas que son imágenes especulares entre sí, aunque solo una de ellas resulte adecuada para un medicamento. Las enzimas pueden favorecer la producción de una forma determinada, lo que podría reducir la aparición de subproductos no deseados y la necesidad de realizar etapas adicionales de purificación. En una investigación publicada en Science en 2025, los científicos construyeron nuevas proteínas alrededor de moléculas que contenían metales y demostraron su actividad catalítica en reacciones como la ciclopropanación. Cuatro de los diez diseños probados consiguieron una preferencia superior a 99:1 por uno de los productos que son imágenes especulares entre sí.
Las aplicaciones medioambientales ofrecen otro motivo para desarrollar catalizadores con capacidades nuevas. La conocida enzima FAST-PETase ilustra tanto el potencial de esta tecnología como una distinción importante: el estudio publicado en Nature en 2022 utilizó aprendizaje automático para mejorar una enzima existente capaz de degradar plástico, en lugar de crear una completamente desde cero. En experimentos de laboratorio, los investigadores comunicaron una degradación prácticamente completa de muestras procedentes de 51 tipos de envases de PET usados en el plazo de una semana. Esto demostró cómo la ingeniería enzimática asistida por IA podría contribuir al reciclaje, pero no estableció que todos los tipos de plástico pudieran tratarse a escala industrial.
La producción de alimentos, la industria textil y la fabricación de productos químicos de especialidad también podrían beneficiarse de enzimas adaptadas a materiales y condiciones de procesamiento específicos. En lugar de modificar una fábrica para ajustarla a una proteína natural poco resistente, los investigadores podrían desarrollar catalizadores capaces de soportar las temperaturas, los niveles de acidez o los disolventes necesarios. Las ventajas prácticas dependerían del proceso completo: cuánto cuesta producir la proteína, durante cuánto tiempo conserva su actividad y si puede reutilizarse. La comparación verdaderamente importante no consiste simplemente en enfrentar la IA con la naturaleza, sino en evaluar los costes, la fiabilidad y el impacto medioambiental de todo el proceso de fabricación.
Qué sigue sin poder garantizar el diseño de proteínas con IA en 2026
La mayor dificultad científica es que la actividad enzimática depende del movimiento y de la química, no únicamente de que una estructura tenga una forma ordenada. Un centro catalítico puede presentar exactamente el aspecto previsto, pero interactuar incorrectamente con el agua, unirse con demasiada fuerza a la molécula objetivo o ser incapaz de liberar el producto. Una reacción puede incluir varias etapas, cada una de las cuales requiere una disposición ligeramente diferente de los átomos. Los métodos recientes de IA están mejorando su capacidad para tener en cuenta estos cambios, pero las enzimas naturales todavía pueden superar a muchas de las artificiales. Las mediciones de laboratorio siguen siendo imprescindibles para distinguir los catalizadores realmente útiles de las proteínas que solo parecen prometedoras en una simulación informática.
Los obstáculos prácticos comienzan incluso después de conseguir que una reacción funcione. Algunas proteínas artificiales son difíciles de fabricar en cantidades útiles, mientras que otras pierden actividad durante el almacenamiento o cuando se someten a las condiciones habituales de la industria. Los investigadores deben examinar las reacciones secundarias no deseadas, la reproducibilidad, la seguridad y los efectos de las sustancias presentes en las mezclas reales de producción. En las aplicaciones médicas, también serían necesarias pruebas adicionales sobre la calidad y la idoneidad de las enzimas para el uso previsto. Un desarrollo responsable exige comunicar las limitaciones con la misma claridad que los resultados positivos.
En 2026, las enzimas diseñadas mediante IA han dejado de ser únicamente una idea científica prometedora. Los investigadores han construido estructuras proteicas nunca observadas anteriormente, han confirmado experimentalmente sus formas y han demostrado que pueden catalizar determinadas reacciones químicas. El siguiente desafío consiste en conseguir que estos resultados dejen de ser excepcionales: abordar más reacciones, reducir la cantidad de diseños que no funcionan y desarrollar catalizadores que mantengan su eficacia en condiciones reales exigentes. El cambio más importante no es que los ordenadores hayan sustituido al trabajo de laboratorio, sino que los científicos ahora pueden partir de una tarea química concreta y construir una proteína nueva para intentar llevarla a cabo.
