Víctor Deroncelé
La ingeniería enzimática suele empezar con algo tan humano como una intuición: quizá ampliar un sitio activo, ajustar la flexibilidad de una proteína, reforzar su estabilidad o conseguir que mantenga actividad a baja temperatura. Ideas claras… pero difíciles de traducir en una decisión experimental concreta. ¿Qué aminoácido tocar? ¿En qué posición? ¿Entre cuántas variantes posibles?
Un trabajo publicado en Nature Computational Science presenta MutexaGPT, una plataforma multiagente diseñada para hacer exactamente eso: convertir una hipótesis expresada en lenguaje natural en simulaciones físicas y propuestas de variantes enzimáticas justificadas.
Imagina formular una petición tan simple como:
“Quiero que esta enzima funcione mejor a baja temperatura”.
A partir de ahí, el sistema identifica la información ambigua, ayuda a construir una hipótesis evaluable, la traduce en propiedades físicas calculables, ejecuta simulaciones moleculares, clasifica variantes y propone una biblioteca reducida para validar en el laboratorio. No genera secuencias al azar ni predice mágicamente qué mutación funcionará: traduce conceptos cualitativos en métricas cuantificables mediante su integración con EnzyHTP.
Los autores lo pusieron a prueba en dos casos de estudio de ingeniería enzimática. En el primero, una metiltransferasa debía aceptar sustratos más voluminosos. MutexaGPT analizó el volumen de la cavidad mediante dinámica molecular y priorizó mutaciones con un 40 % de aciertos y un enriquecimiento aproximado de cuatro veces frente a la referencia. Esta evaluación fue retrospectiva: las propuestas se contrastaron con datos experimentales ya disponibles.
En el segundo, una amilasa de dos dominios debía adaptarse al frío. El sistema propuso modificar el conector que regula su movimiento relativo y seleccionó dos variantes para ensayarlas. La relación entre su actividad a 0 °C y a 45 °C fue 1,7 y 3,7 veces mayor, respectivamente, que en la enzima original. Esto no significa necesariamente que su actividad absoluta a 0 °C aumentara en esas proporciones: lo que cambió fue su comportamiento relativo frente a la temperatura.
La aportación clave no es sustituir al especialista ni al experimento. Es reducir el espacio de búsqueda y convertir una hipótesis cualitativa en un conjunto pequeño de candidatos físicamente justificados.
Esta lógica encaja con una de las líneas prioritarias de I+D de MITLAB: combinar conocimiento experto, modelización y validación experimental para maximizar la información obtenida en cada ensayo. En bioprospección, fermentación o microbiología aplicada, el espacio de posibilidades puede ser enorme. Evaluarlo todo es imposible. Lo viable es construir un ciclo iterativo: formular una hipótesis, priorizar con modelos, validar, incorporar resultados y decidir el siguiente experimento que más información aportará.
MutexaGPT tiene límites claros: solo trabaja con propiedades que puedan traducirse a métricas físicas disponibles. Si el objetivo no tiene una representación computable adecuada, no puede generar recomendaciones fundamentadas. Y las simulaciones priorizan variantes, pero no garantizan que una enzima funcione en una matriz industrial real.
La IA puede estrechar el camino. Pero la función sigue teniendo que medirse.
Referencia: Shao, Q., Zhong, Y., Stull, S. et al. (2026). MutexaGPT: an intuition-to-design translator for physics-based enzyme engineering. Nature Computational Science. https://doi.org/10.1038/s43588-026-01049-y
#MITLAB #Investigación #Biotecnología #IngenieríaEnzimática #Enzimas #InteligenciaArtificial #ModelizaciónMolecular #Bioprospección #DiseñoExperimental #Bioinformática #Innovación
