TL;DR:
- En seis días se publicaron dos estudios que ponen a la inteligencia artificial a diseñar herramientas de edición genética: uno en Science el 16 de julio de 2026 y otro en Nature el 22 de julio.
- El marco ContactSeek, de la Universidad de Pekín, produjo con solo dos mutaciones un editor de bases que redujo 99.2% y 98.1% la señal fuera de blanco frente al editor original.
- Ninguna de las enzimas se ha probado dentro de un organismo vivo, y el código de ContactSeek quedó publicado en GitHub y Zenodo.
La inteligencia artificial dejó de ser el asistente del laboratorio en edición genética y pasó a diseñar las herramientas. En menos de una semana, dos equipos llegaron al mismo punto desde extremos opuestos: el 16 de julio de 2026, el laboratorio de Jennifer Doudna en la Universidad de California en Berkeley describió en Science nucleasas sintéticas armadas con un modelo de plegamiento inverso de Meta; el 22 de julio, un grupo de la Universidad de Pekín publicó en Nature un marco llamado ContactSeek que usa AlphaFold 3 para corregir los editores de bases que ya existen. Uno inventa tijeras moleculares que la evolución nunca produjo. El otro le quita el pulso tembloroso a las que ya usamos. Las dos cosas funcionaron en células humanas. Ninguna ha entrado todavía a un organismo vivo.
ContactSeek es un marco computacional que aprovecha las probabilidades de contacto predichas por AlphaFold 3 para señalar qué aminoácidos de una enzima de edición son los responsables de que se equivoque de blanco. El equipo, encabezado por Haowei Meng bajo la dirección de Chengqi Yi, no le pidió al modelo una estructura tridimensional bonita. Le pidió otra cosa: qué tan probable es que cada residuo de la proteína toque el ADN o el ARN guía. Esa señal resultó más sensible que la estructura predicha para distinguir un acoplamiento correcto de uno equivocado.
Dos mutaciones bastaron para casi apagar el ruido
El procedimiento tuvo dos mitades. Primero, con una técnica propia llamada dI-profiling, los investigadores mapearon a dónde iba a parar un editor de adenina cuando fallaba en todo el genoma. Después metieron esas secuencias erróneas a AlphaFold 3 y cruzaron las predicciones con los datos reales de secuenciación. De ahí salieron las regiones de contacto consenso y, dentro de ellas, los residuos que deciden la especificidad.
Lo que devolvió ese cruce cabe en dos cambios de una letra. Las cifras del estudio de Nature, todas medidas contra los editores originales:
- ABE8e-DD, que combina la mutación K1020D en Cas9 con otra en la desaminasa TadA8e: 99.2% y 98.1% menos señal fuera de blanco en los sitios ABEsite16 y VEGFAsite3.
- Solo la mutación K1020D en Cas9: reducciones de 83.0% y 69.0% con dos guías distintas.
- El editor de citosina Cas12a(R284E)-A3A(H29D): entre 82.1% y 95.1% de reducción en cuatro guías.
El mejor editor superó a varias variantes de alta fidelidad que el campo ya tomaba como referencia. Y el código quedó abierto: ContactSeek vive en GitHub y en Zenodo, junto con los datos de predicción.
Hay un experimento del trabajo chino que explica por qué esto importa más allá de la biología básica. Parte de las pruebas se hicieron en células madre hematopoyéticas humanas, con una guía dirigida al gen de la hemoglobina fetal. Esa es la misma ruta que se explora para tratar la anemia falciforme y la beta talasemia. Bajar los errores fuera de blanco en esas células no es un detalle de laboratorio: es el argumento con el que se convence a un regulador.
En un comentario publicado por Nature junto al estudio, Hoi Yee Chu y Alan S. L. Wong, de la Universidad de Hong Kong, sostienen que poder ajustar a medida la geometría molecular de los editores del genoma acercará terapias más seguras y eficaces.
La otra mitad del giro: enzimas que la evolución nunca escribió
El laboratorio de Doudna caminó en dirección contraria. Petr Skopintsev e Isabel Esaín-García partieron de TnpB, una nucleasa mínima guiada por ARN que se considera antecesora evolutiva de los sistemas CRISPR-Cas. En lugar de retocarla, le pasaron su estructura tridimensional a ESM-IF1, el modelo de plegamiento inverso de Meta, con restricciones sacadas de la conservación evolutiva de la familia. El modelo devolvió miles de secuencias candidatas, sin decir cuáles servían.
Ahí entró el trabajo de banco. Según detalló Esaín-García a Chemical & Engineering News, tomaron alrededor de 50 de los mejores candidatos por cada interfaz de unión a ácidos nucleicos y los combinaron en todas sus permutaciones en Escherichia coli, un cribado de alto rendimiento que dejó cientos de variantes activas.
Las SynTnpB resultantes se alejan de la naturaleza más que cualquier nucleasa diseñada por IA hasta ahora. Sus lóbulos de interacción con ADN y con ARN comparten apenas 83% y 72% de identidad con sus parientes naturales más cercanos, escriben los autores; los diseños previos hechos con modelos de lenguaje conservaban más del 99%. Varias editaron el genoma en bacterias, en protoplastos de Arabidopsis y en células humanas HEK293T. Algunas superaron a la enzima natural.
"Pudimos desarrollar nucleasas no naturales que fueron activas en células humanas, vegetales y bacterianas", dijo Jennifer Doudna a Fierce Biotech.
La criomicroscopía electrónica de la variante más divergente mostró por qué funciona: las sustituciones que propuso el modelo crearon redes de contactos nuevas que estabilizan la interfaz ARN-ADN, incluido un intermediario unido al ADN que nadie había observado antes. Son las primeras estructuras experimentales de nucleasas guiadas por ARN diseñadas con inteligencia artificial.
Lo que ninguno de los dos estudios probó
La lista de pendientes es concreta y los propios autores la reconocen:
- Ninguna variante ha demostrado nada dentro de un animal ni de una persona.
- Nadie sabe todavía si el sistema inmunitario humano reaccionará contra una proteína que no existe en la naturaleza.
- Como notó Singularity Hub, ninguno de los dos trabajos atacó la edición de bases vecinas, otro dolor de cabeza clásico del campo.
- ContactSeek depende de la calidad de los datos con los que se entrena, la limitación de siempre en estos modelos.
- El método de Berkeley se probó en una sola familia de nucleasas compactas, así que no está dicho que se traslade igual a otras.
El efecto colateral que casi nadie está mirando: las patentes
Benjamin Kleinstiver, ingeniero de enzimas de edición genética en Mass General Brigham y Harvard Medical School, que no participó en el trabajo, le comentó a Fierce Biotech que lo valioso aquí es el método más que la enzima, y le vio una grieta al negocio: muchas patentes de enzimas se redactan para cubrir cualquier proteína que comparta cierto porcentaje de secuencia con la original. Si un modelo puede empujar el diseño más allá de ese umbral, aparecen enzimas funcionales que quedan fuera del alcance de esas patentes. Berkeley ya presentó solicitudes sobre la plataforma; Doudna no quiso decir si viene otra empresa.
Por ahora lo que existe son células en placas y estructuras resueltas con criomicroscopía. Pero la barrera que se movió es la de la búsqueda: desde que aparecieron los primeros editores de bases hace una década, mejorarlos significaba probar variantes a mano, una por una, sabiendo que casi todas saldrían inservibles. Los dos equipos le enseñaron a un modelo por dónde buscar. Y con el código de ContactSeek publicado, esa parte cara del trabajo queda al alcance de laboratorios que jamás podrían costear una campaña de evolución dirigida.
