Computational Design and Evaluation of De Novo Protein Minibinders Targeting Specific Sites of STAT3

Dentro de la maquinaria microscópica de una célula viva, una proteína llamada STAT3 actúa como un interruptor maestro, activando los genes que le dicen a las células cuándo crecer y dividirse. En un cuerpo sano, este interruptor está estrictamente regulado, pero en muchos tipos de cáncer, se queda trabado en la posición de "encendido", impulsando el crecimiento incontrolado y la propagación de tumores. Los científicos han intentado durante mucho tiempo construir fármacos para apagar este interruptor, pero el enfoque habitual —usar pequeñas moléculas químicas para atascar el mecanismo— ha fallado repetidamente en los ensayos clínicos. La superficie de la proteína STAT3 es a menudo demasiado plana o demasiado similar a otras proteínas para que estas pequeñas moléculas puedan agarrarse con suficiente precisión. Esto ha dejado a los investigadores buscando un tipo diferente de herramienta, una que sea más grande y específica, capaz de engancharse a la proteína con la certeza de una llave encajando en una cerradura.

Un equipo de investigadores ha recurrido ahora a la inteligencia artificial para diseñar estas nuevas herramientas desde cero. En lugar de tomar prestada la biblioteca de proteínas existentes de la naturaleza, utilizaron un programa informático para inventar estructuras proteicas diminutas y completamente nuevas, diseñadas para unirse a puntos específicos en la superficie de STAT3. El objetivo era crear "minibinders" (minibindadores): fragmentos de proteínas pequeños y estables que pudieran adherirse a STAT3 y, potencialmente, detener su trabajo dañino. Al dirigirse a diferentes regiones de la proteína, incluyendo áreas que han sido difíciles de alcanzar con los fármacos tradicionales, el equipo esperaba generar un nuevo conjunto de candidatos que pudieran probarse en el laboratorio para ver si pueden bloquear eficazmente la proteína que impulsa el cáncer.

Los investigadores comenzaron identificando siete "hotspots" (puntos calientes) específicos en la proteína STAT3, que son pequeños grupos de aminoácidos ubicados en diferentes partes de la molécula. Estos puntos fueron elegidos porque son accesibles y desempeñan papeles importantes en cómo funciona la proteína, como ayudarla a adherirse a receptores celulares o unirse al ADN. Utilizando una herramienta de diseño de IA moderna llamada BindCraft, el equipo generó miles de secuencias proteicas potenciales, cada una de ellas un intento único de envolver uno de estos puntos calientes. El programa informático actuó como un arquitecto virtual, trazando formas que teóricamente encajarían con el objetivo, mientras filtraba los diseños que parecían inestables o improbables de unirse. A partir de un grupo inicial de 139 diseños que pasaron los controles iniciales de la computadora, el equipo redujo su enfoque a los candidatos más prometedores.

Para asegurar que estos diseños digitales funcionaran realmente en el mundo real, los investigadores sometieron a los diseños a una segunda ronda de evaluación rigurosa utilizando un sistema de IA más avanzado conocido como AlphaFold3. Este sistema es altamente hábil prediciendo cómo las proteínas se pliegan en sus formas tridimensionales y cómo interactúan entre sí. El equipo buscó diseños que mostraran un alto grado de confianza en su capacidad para acoplarse con la proteína STAT3. Once diseños surgieron como los principales contendientes, todos los cuales se predijo que se unirían fuertemente a sus objetivos previstos. Estos once minibinders fueron diseñados para adherirse a cinco de los siete puntos calientes originales, cubriendo regiones en sus dominios de coiled-coil, SH2 y de unión al ADN. Las simulaciones sugirieron que estas diminutas proteínas se asentarían firmemente en la superficie de STAT3, cubriendo a menudo los aminoácidos específicos que los investigadores habían pretendido alcanzar.

Más allá de simplemente pegarse a la proteína, los investigadores examinaron si estos nuevos bindadores eran creaciones verdaderamente novedosas. Pasaron las secuencias de los once mejores bindadores por una base de datos masiva de todas las proteínas conocidas para ver si alguna de ellas se parecía a algo que ya existe en la naturaleza. Los resultados fueron sorprendentes: seis de los bindadores no tenían coincidencias en absoluto en la base de datos, lo que significa que eran secuencias completamente nuevas nunca antes vistas en ningún organismo vivo. Los otros cinco bindadores mostraron solo similitudes muy débiles e insignificantes con proteínas bacterianas oscuras, confirmando que los diseños no eran copias accidentales de partes biológicas existentes. Esto sugiere que la IA inventó con éxito formas moleculares únicas en lugar de simplemente reorganizar partes conocidas.

El estudio también reveló que algunos de estos minibinders podrían trabajar juntos. Debido a que los bindadores se adhieren a áreas diferentes y no superpuestas de la proteína STAT3, es posible usar dos de ellos al mismo tiempo para "sándwichar" el objetivo. Por ejemplo, las simulaciones mostraron que un binder diseñado para una región podría asentarse cómodamente junto a otro binder diseñado para una región diferente, sin chocar entre sí. Esto abre la puerta a una nueva estrategia donde dos pequeñas proteínas podrían cerrar un clamor sobre STAT3 simultáneamente, haciendo potencialmente más difícil que la célula cancerosa evada el bloqueo. Aunque los investigadores enfatizan que estos resultados se basan actualmente en simulaciones computacionales y aún no se han probado en un laboratorio, los altos puntajes de confianza de los modelos de IA proporcionan una base sólida para el siguiente paso.

Este trabajo representa un avance significativo en el uso de la inteligencia artificial para abordar objetivos farmacológicos difíciles. Al diseñar con éxito proteínas que se predice que se unirán a puntos específicos y desafiantes en una proteína relacionada con el cáncer, el equipo ha proporcionado a la comunidad científica una lista de candidatos concretos para la experimentación. Las once secuencias descritas en el artículo están ahora disponibles para que otros científicos las sinteticen y las estudien en el laboratorio. Si estas predicciones digitales se mantienen en los experimentos físicos, podrían ofrecer un nuevo camino hacia el tratamiento de cánceres impulsados por STAT3, yendo más allá de las limitaciones de los fármacos químicos pequeños y entrando en una nueva era de la terapéutica de precisión basada en proteínas.