Proteínas diseñadas con IA pueden ampliar la caja de herramientas CRISPR de edición genómica más allá de las producidas por la evolución

Cuando Jennifer Doudna y Emmanuelle Charpentier coincidieron por vez primera en un congreso científico en San Juan de Puerto Rico en marzo de 2011, no tenían la misma experiencia en el universo CRISPR. Charpentier era una recién llegada, con un artículo en ciernes que se publicaría en Nature y que describiría uno de los componentes principales de los sistemas CRISPR: el tracrRNA. Pero Doudna llevaba ya años trabajando y publicando excelentes artículos en proyectos de ARN y en los sistemas CRISPR, principalmente analizando las estructuras de diversas proteínas Cas. Una vez más, la serendipia había posibilitado que una colega de su institución, la Universidad de California en Berkely, Jill Banfield, le alertara de la publicación de Francis Mojica de 2005 en la que describía por vez primera los sistemas CRISPR como un nuevo sistema inmunológico de defensa que usaban las bacterias para defenderse de los virus. Charpentier se presentaba al mundo con su primera publicación CRISPR, pero Doudna llevaba publicados muchos artículos sobre el tema. Acordaron en Puerto Rico colaborar y, un año y meses más tarde, en junio de 2012, publicaban un artículo en Science conjuntamente en el que proponían convertir aquellos sistemas CRISPR de Mojica en unas nuevas herramientas de edición genética. En octubre de 2020 recibieron, las dos, merecidamente, el Premio Nobel de Química por esa propuesta, y el resto ya es historia de la ciencia. 

Charpentier seguramente ha sido la que ha triunfado en su apuesta empresarial, al fundar la empresa CRISPR Therapeutics que, junto a Vertex Therapeutics, ha desarrollado la primera terapia CRISPR aprobada por la EMA y la FDA, Casgevy, para curar dos enfermedades graves de la sangre, la anemia de células falciformes y la beta-talasemia. Doudna también ha fundado varias empresas y una de ellas, Intellia, probablemente sea la que consiga aprobar la segunda terapia CRISPR, esta vez para tratar una enfermedad rara, la amiloidosis congénita asociada a transtiretina. Pero si en algo ha destacado Doudna sobre su colega Charpentier ha sido en su excelencia científica, al publicar regularmente sorprendentes avances tanto de los mecanismos básicos de funcionamiento de los sistemas CRISPR-Cas como de la identificación y descripción de nuevos sistemas CRISPR-Cas y sobre el origen y la evolución de estas maravillosas herramientas que nos han cambiado la vida a los investigadores en biología, biomedicina y biotecnología.  

Este es el caso de la nueva publicación del laboratorio de Doudna, que aparece publicada en Science, otro ejemplo más de su excelencia científica. En este nuevo estudio, Doudna ha decidido explorar el diseño de nuevas proteínas Cas con propiedades singulares, no derivadas de la naturaleza, sino desarrolladas en el laboratorio, a partir de una versión mínima de las proteínas Cas llamada TnpB.  

Aprovechando los beneficios de la inteligencia artificial, han logrado desarrollar nuevas proteínas Cas con características que superan a las Cas conocidas para usarlas en aplicaciones de edición genética tanto en bacterias como en plantas y animales. Con su gran conocimiento de la estructura de proteínas han analizado (con ayuda de criomicroscopía electrónica) cómo los diversos dominios de estas nuevas Cas iban acomodándose, manteniendo su actividad nucleasa guiada por ARN.  

Esta nueva estrategia, que combina la definición de dominios estructurales con la delimitación de residuos que son esenciales en estas proteínas, ofrece una inesperada fuente de generación de nuevas proteínas Cas, distintas a las existentes en la naturaleza pero que mantienen su actividad como Cas, para su aplicación en diversas aplicaciones en los que los sistemas CRISPR-Cas siguen necesitando optimización tanto en eficacia como en seguridad.  

Sin duda dará que hablar esta publicación y nos aportará a la comunidad científica un sinnúmero de nuevas proteínas Cas con las que experimentar en nuestros laboratorios. Muchas gracias, Jennifer Doudna.

Me parece un artículo muy disruptivo con una metodología muy sólida tanto a nivel computacional como en su posterior evaluación y validación experimental en modelos de edición genómica, tanto en células humanas como en plantas.  

En el diseño de proteínas tradicionalmente se utilizan variaciones de proteínas que han sido observadas en la naturaleza en otros organismos. Esto, por un lado, hace que los cambios que se introducen estén respaldados por millones de años de evolución (¡funcionan!), pero, por otro, limitan un poco el diseño a pequeñas variaciones de lo que ya existe: el famoso espacio evolutivo que mencionan. La metodología que utilizan expande este concepto y permite un gran salto, generando la capacidad de diseñar proteínas que difieren bastante de lo que se observa en la naturaleza y que una parte no menospreciable de ellas funcione. 

Se menciona que la estrategia desarrollada es una herramienta prometedora para explorar proteínas no producidas por la evolución. No obstante, el espacio evolutivo que podemos observar se reconstruye a partir de los organismos vivos hoy en día. Por tanto, es solo una parte de lo que ha aparecido en la naturaleza en algún momento, ya que no podemos observar todo aquello que ha existido, pero se ha extinguido sin dejar huella; ni todo aquello que la evolución ha descartado por algún motivo, directo o indirecto. La estructura de una proteína responde a múltiples factores, no solo su actividad principal, que es lo que se mide aquí (en el artículo se centran en medir la actividad de edición). Algunos factores podrían ser la estabilidad de la proteína, el coste de producirla, la interacción con otras, el azar... por lo que habría que ser cauteloso a la hora de evaluar de forma holística las proteínas generadas con esta metodología. 

De hecho, algunas de las nucleasas generadas que poseen mayor actividad (v5 o v7) también son las que tienen más sitios de edición fuera de objetivo tienen (off targets, que es algo negativo, ya que reduce la especificidad), lo que refleja la importancia de equilibrar o incorporar estos otros factores en el diseño o en su evaluación. 

Además, esta estrategia podría no ser efectiva para proteínas menos conservadas, es decir, que estén restringidas a determinados organismos o ramas en el árbol de la vida, porque no se dispone de tanta información sobre su estructura o funcionamiento, como ya apuntan los autores. 

Lo más trascendental del estudio es que establece una estrategia o plataforma de diseño que sirve como un molde para crear otras proteínas complejas que la evolución no ha producido. Este estudio abre nuevas puertas tanto para la edición genómica —al tener una herramienta más pulida para generar nuevas proteínas con ayuda de la IA—, como para la creación de nuevas nucleasas sintéticas, que son una herramienta de edición genómica per se. Es un claro ejemplo del buen uso de herramientas de IA en ciencia.

La investigación parece muy sólida. Los resultados son claros y proceden de un laboratorio con altísima reputación. Se presentan los datos como son, sin ninguna exageración.

El estudio es un paso más en la creciente convergencia entre IA y biología sintética. Hay varios ejemplos de uso de IA generativa para hacer herramientas de edición. La empresa Profluent presentó una nucleasa Cas9 hecha con IA generativa el año pasado, y nosotros presentamos trasposas hechas con IA generativa también el año pasado. Este es un ejemplo más, los autores han hecho un editor muy pequeño de la familia TnpB.

Cada vez tenemos más capacidad de diseñar la biología en un ordenador. No obstante, este diseño está inspirado en la naturaleza y depende todavía de experimentación. Todavía no podemos diseñar completamente in silico proteínas complejas.

El manuscrito de Skopintsev et al. demuestra el potencial de las herramientas de IA generativa para diseñar nucleasas guiadas por ARN novedosas, utilizando el andamiaje TnpB (una nucleasa mínima similar a CRISPR-Cas12) como prueba de concepto. Los autores presentan una nueva estrategia de diseño de proteínas con plegamiento inverso guiada por evolución y coevolución, que permite aumentar la divergencia con respecto a la secuencia de tipo silvestre en comparación con estudios previos.

El estudio se complementa con una validación exhaustiva de las variantes generadas mediante ensayos de edición genética en células bacterianas, vegetales y humanas. Además, se obtuvo la estructura de una de las variantes más activas y distintas mediante crio-EM, revelando una nueva conformación unida a TAM que no se había descrito previamente gracias a los contactos introducidos mediante diseño por IA.

La principal conclusión práctica del estudio es que democratiza el protocolo para diseñar nucleasas guiadas por ARN novedosas y muestra la hoja de ruta experimental para encontrar las más prometedoras. Sin embargo, la principal limitación del protocolo de diseño es que actualmente no permite adaptarlo a otros motivos de secuencia de ADN/ARN específicos.

Este trabajo de J.A. Doudna y colaboradores es un nuevo ejemplo de cómo la IA generativa está cambiando el modo de trabajar en los laboratorios. En concreto, en el diseño de proteínas de novo. En este caso los autores han conseguido mejoras en las tijeras CRISPR para la modificación genética para que sean cada vez más eficientes y seguras. Este estudio supone una aceleración importante para el desarrollo de nuevos enzimas, la nucleasa Cas12, en la edición genómica. También un buen ejemplo de cómo la IA puede convertir en meses lo que hasta ahora eran largos años de trabajo experimental. La IA determina qué variantes se deben de probar en base a cambios en la estructura/función en modelos predictivos; los autores incluyen en estos modelos datos evolutivos que resaltan la divergencia de las variantes programadas por la IA. El resultado final produce la mejora de distintas propiedades de la nucleasa (unión al DNA, RNA, corte). Este trabajo es una nueva demostración de cómo la evolución no natural puede competir muy seriamente con la evolución natural no dirigida. La IA está acelerando la obtención de nuevos productos de valor biotecnológico, como en este ejemplo, nuevas nucleasas diseñadas casi de manera artificial.