La IA diseña proteínas para acelerar células madre

OpenAI y la biotech Retro Biosciences han usado un modelo de IA para rediseñar proteínas que convierten células adultas en células madre. En pruebas de laboratorio, algunas variantes activaron los marcadores de reprogramación más de 50 veces por encima de las proteínas naturales, según los resultados publicados por ambas compañías.

El modelo se llama GPT-4b micro y fue creado específicamente para ingeniería de proteínas. No es una versión disponible para el público ni una herramienta que permita fabricar tratamientos desde casa: propuso secuencias de proteínas que después fueron sintetizadas y probadas por científicos de Retro en células humanas.

Qué proteínas rediseñó la IA

El trabajo se centra en los llamados factores de Yamanaka: OCT4, SOX2, KLF4 y MYC. Estas cuatro proteínas pueden devolver una célula adulta a un estado similar al de una célula madre pluripotente, capaz de transformarse en distintos tipos de tejido.

El descubrimiento original, realizado por Shinya Yamanaka, recibió el Nobel de Medicina en 2012. Desde entonces, estas proteínas se han investigado para crear células destinadas a estudiar enfermedades, probar medicamentos y desarrollar posibles terapias regenerativas.

El problema es que el proceso sigue siendo lento e ineficiente. Con los factores naturales, normalmente menos del 0,1% de las células se reprograma, y el procedimiento puede tardar tres semanas o más. La eficiencia cae todavía más cuando las células proceden de personas mayores o con enfermedades.

Cómo intervino el modelo

GPT-4b micro parte de una versión reducida de GPT-4o, pero fue entrenado principalmente con secuencias de proteínas, textos biológicos y datos de estructuras tridimensionales. También recibió información sobre la evolución de las proteínas, sus funciones y las moléculas con las que interactúan.

Esto permite pedirle algo más concreto que una simple predicción. Por ejemplo, generar variantes de SOX2 que mantengan su función, pero mejoren la activación de ciertos marcadores celulares.

El modelo llegó a trabajar con contextos de hasta 64.000 tokens, una cantidad de información especialmente amplia para un modelo de secuencias proteicas. Eso ayuda a analizar una proteína junto con datos sobre proteínas relacionadas y posibles interacciones, en lugar de tratarla como una cadena aislada de aminoácidos.

Resultados en células humanas

Retro probó primero variantes de SOX2 generadas por el modelo en fibroblastos, células presentes en la piel y el tejido conectivo. Más del 30% de las propuestas superó a la proteína natural en la expresión de marcadores asociados con la pluripotencia. En cribados tradicionales, los índices de éxito suelen ser inferiores al 10%, según el anuncio.

Después, el equipo hizo lo mismo con KLF4, otro factor de Yamanaka. Cerca del 50% de las variantes generadas por la IA superó a las mejores combinaciones obtenidas en la fase anterior.

Al combinar las mejores versiones de SOX2 y KLF4, los marcadores de pluripotencia aparecieron varios días antes que con los factores naturales. En otra prueba, realizada con ARN mensajero en lugar de vectores virales y con células de tres donantes mayores de 50 años, más del 30% de las células empezó a expresar marcadores clave en siete días.

Los investigadores también comprobaron que las células resultantes podían transformarse en los tres grandes tipos de tejido embrionario. Además, las líneas celulares mantuvieron cariotipos saludables y estabilidad genómica durante varias rondas de cultivo, dos controles importantes antes de pensar en aplicaciones médicas.

También observaron señales de rejuvenecimiento

El equipo analizó si las proteínas rediseñadas podían reducir el daño en el ADN, una de las señales asociadas al envejecimiento celular. Las células tratadas con la combinación mejorada mostraron menos intensidad de γ-H2AX, un marcador de roturas en el ADN, que las tratadas con los factores estándar.

Ese resultado apunta a un posible uso en investigación sobre rejuvenecimiento celular. Pero no demuestra que exista una terapia antienvejecimiento segura ni eficaz para personas. Las pruebas descritas son experimentos de laboratorio y todavía quedan por evaluar riesgos como cambios no deseados, tumores, respuesta inmunitaria y comportamiento de las células dentro de un organismo.

Qué cambia realmente

La importancia del trabajo está en la escala de búsqueda. Una proteína como KLF4 puede tener cientos de aminoácidos, y el número de combinaciones posibles es tan enorme que probarlas una por una resulta inviable. La IA puede proponer diseños muy distintos de los naturales y reducir el número de experimentos necesarios para encontrar candidatos útiles.

Eso no elimina el laboratorio. La IA sugiere secuencias, pero los científicos deben producirlas, probarlas en células, descartar las que fallan y verificar que las que funcionan no introducen problemas de seguridad.

OpenAI afirma que los resultados fueron replicados en varios donantes, tipos de células y métodos de administración. Aun así, se trata de un anuncio de las propias organizaciones que realizaron el estudio. Sam Altman, director ejecutivo de OpenAI, es también inversor de Retro Biosciences, una relación que conviene tener en cuenta al valorar el alcance de las conclusiones.

El siguiente paso será comprobar si estas variantes mantienen sus ventajas en modelos animales y, mucho después, en ensayos clínicos. Por ahora, la señal más relevante es concreta: un modelo especializado puede ampliar de forma considerable la búsqueda de proteínas útiles, pero el salto desde una placa de laboratorio hasta un tratamiento todavía requiere años de validación.