Opinión Dos equipos predicen amiloides y gotitas en proteomas completos
Dos equipos logran escanear proteomas completos para distinguir agregados tóxicos de gotitas funcionales. La región tiene la urgencia médica y agrícola para aprovecharlo, pero le faltan datos propios y gobernanza para no quedar fuera de las patentes.
Las proteínas no son solo cadenas plegadas en estructuras rígidas. Una fracción considerable —las intrínsecamente desordenadas— se comporta como aceite en agua: forman gotitas líquidas dentro de la célula para concentrar moléculas y acelerar reacciones. Ese fenómeno, la separación de fase líquido-líquido, es vital. Cuando falla, las gotitas se solidifican en agregados amiloides vinculados al Alzheimer, Parkinson, ELA y varios cánceres. Hasta hace meses, predecir qué proteínas hacen esto exigía meses de banco húmedo. Ahora, dos líneas de trabajo publicadas casi en paralelo —en la Nanyang Technological University de Singapur y en UC Santa Bárbara— han vuelto esa tarea computacional y escalable a proteomas enteros.
Desde Singapur, el equipo de Miao Yansong y Weibo Gao entrenó modelos sobre proteínas predichas de animales, plantas, hongos y bacterias. El resultado son dos plataformas que identifican qué secuencias sufren separación de fase y cómo se regula, más una base de conocimiento —PhaSepDB 3.0— y un predictor —catGRANULE 2.0— curados con asistencia de IA, que entregan anotaciones a resolución de aminoácido único para miles de entradas. La promesa inmediata: entender mejor el envejecimiento y las enfermedades, y mejorar la tolerancia al estrés en cultivos.
Desde California, Sam Lobo, bajo la dirección de Scott Shell y Joan-Emma Shea, tomó modelos de lenguaje de proteínas —entrenados solo para aprender la estadística de secuencias naturales— y les añadió cabezas de predicción: una para amiloides, otra para separación de fase. Escanearon el proteoma humano (~20 000 proteínas) y hallaron tres patrones que rompen la intuición previa: la formación de amiloides y la condensación en gotitas no están intrínsecamente acopladas; muchas proteínas tipo prión poseen dos regiones distintas, una proclive a amiloide y otra a gotitas, lo que explicaría su capacidad de transmitir patología; y hay proteínas que solo hacen una de las dos cosas, lo que permite priorizar blancos terapéuticos.
Por qué esto cambia la ecuación en la región
América Latina concentra una carga creciente de enfermedades neurodegenerativas —el envejecimiento poblacional en Chile, Uruguay, Argentina y Cuba ya supera el 15 % de mayores de 65 años— y una dependencia agrícola de soja, maíz, caña y café expuestos a estrés hídrico y térmico. Estas herramientas bajan la barrera de entrada: un grupo de bioinformática con GPU moderada puede priorizar candidatos en semanas, no años.
En Brasil y México, donde existen clústeres de biotecnología y programas públicos de mejoramiento genético, integrar predictores de separación de fase en pipelines de edición génica (CRISPR, prime editing) acorta el ciclo de validación de variedades tolerantes a sequía o salinidad. En el lado farmacéutico, startups de drug discovery en Argentina, Colombia o Chile pueden filtrar librerías de compuestos contra regiones de proteínas que antes eran invisibles por carecer de estructura fija.
El riesgo operativo: caja negra y validación húmeda
Ninguno de los modelos explica por qué una secuencia condensa; solo entregan probabilidad. Hasta que eso ocurra, toda predicción necesita validación experimental —microscopía de fluorescencia, FRAP, mutagénesis—. En presupuestos ajustados, eso obliga a alianzas público-privadas o consorcios regionales para compartir wet lab.
El siguiente paso no es técnico, es de gobernanza de datos
PhaSepDB 3.0 y catGRANULE 2.0 son recursos abiertos, pero su utilidad real depende de que laboratorios latinoamericanos aporten sus datos experimentales —ortólogos de cultivos tropicales, variantes humanas de poblaciones mestizas— para que los predictores dejen de estar sesgados hacia proteomas de referencia europeos y asiáticos. Quien cargue primero sus datos en esa infraestructura ganará ventaja en patentes y licencias de variedades vegetales o dianas terapéuticas.
La región tiene la urgencia, el talento computacional emergente y la biodiversidad. Lo que falta es coordinación para convertir sus datos en activo estratégico antes de que otros lo hagan por ella.
