A multi-layer computational framework for structural prioritization of transcriptome-derived proteins

En la vasta biblioteca de la vida, cada célula porta un conjunto de instrucciones escritas en un código llamado ARN. Estas instrucciones le dicen a la célula cómo construir proteínas, las máquinas moleculares que realizan casi todas las tareas necesarias para que un organismo sobreviva y funcione. Durante décadas, los científicos han podido leer estas instrucciones con una velocidad increíble, generando listas masivas de secuencias de proteínas de plantas, animales y microbios. Sin embargo, conocer la secuencia de letras de una proteína es solo el comienzo. Para entender qué hace realmente una proteína, los investigadores necesitan ver su forma tridimensional. La forma de una proteína determina su función, de la misma manera que la forma de una llave determina qué cerradura puede abrir. El desafío es que, si bien las computadoras ahora pueden leer millones de instrucciones genéticas, predecir las complejas formas plegadas de las proteínas resultantes sigue siendo un cuello de botella difícil. Sin estas formas, es casi imposible saber qué proteínas podrían interactuar con objetivos específicos en el cuerpo, como las moléculas de señalización que impulsan la inflamación.

Aquí es donde entra en juego un nuevo estudio, ofreciendo una forma sistemática de navegar por esta montaña de datos. Investigadores de la Universidad Federal de ABC en Brasil desarrollaron un marco computacional de múltiples capas diseñado para filtrar miles de proteínas candidatas e identificar las más prometedoras para estudios posteriores. Se centraron en el Cereus jamacaru, un cactus nativo del bioma de la Caatinga brasileña, conocido por sus potenciales propiedades antiinflamatorias. Mientras que investigaciones previas sobre esta planta se habían centrado principalmente en pequeños compuestos químicos, este equipo quería explorar las proteínas ocultas dentro de su código genético. Su objetivo no era demostrar que estas proteínas vegetales curan directamente enfermedades, sino crear un método confiable y paso a paso para encontrar candidatos proteicos estructuralmente sólidos que pudieran interactuar con las señales inflamatorias humanas. Al combinar varias técnicas computacionales diferentes, lograron reducir una lista de más de 129,000 proteínas traducidas a solo nueve candidatos de alta confianza, demostrando una estrategia escalable que podría aplicarse a los datos genéticos de cualquier organismo.

El viaje comenzó con un conjunto de datos masivo que contenía 129,052 secuencias de proteínas derivadas de la raíz y la epidermis del cactus. Para dar sentido a este número abrumador, los investigadores aplicaron primero un filtro amplio basado en estructuras conocidas. Compararon las proteínas del cactus contra una base de datos de formas de proteínas determinadas experimentalmente, manteniendo solo aquellas que compartían más de la mitad de su secuencia con una estructura conocida. Este paso inicial redujo el grupo a aproximadamente 14,800 candidatos. Luego utilizaron un sistema de puntuación para evaluar la calidad de las formas predichas, descartando aquellas que parecían inestables o poco confiables. Este proceso redujo la lista a aproximadamente 3,500 modelos estructurales de alta calidad, creando un conjunto manejable de candidatos para un análisis más profundo.

A continuación, el equipo dirigió su atención a tres proteínas humanas específicas conocidas como citocinas: el factor de necrosis tumoral alfa, la interleucina-1 beta y el interferón-alfa. Estas moléculas son reguladores centrales de la respuesta inflamatoria del cuerpo y a menudo están involucradas en condiciones como la artritis reumatoide. Los investigadores querían ver si alguna de las proteínas del cactus podía interactuar físicamente con estas citocinas humanas. Para ello, emplearon una estrategia de acoplamiento (docking) de dos pasos. Primero, utilizaron un método de cribado rápido de cuerpo rígido para probar qué tan bien encajaban las 3,500 proteínas del cactus contra las tres citocinas humanas. Este paso identificó un grupo más pequeño de proteínas que mostraban coincidencias iniciales prometedoras. Para refinar estos resultados, utilizaron un segundo método de acoplamiento más flexible que permitía ligeros movimientos en las formas de las proteínas, imitando la forma en que las moléculas reales podrían ajustarse cuando se unen. Al buscar proteínas que funcionaran bien en ambos métodos, los investigadores identificaron nueve candidatos que consistentemente mostraban una fuerte compatibilidad estructural con las citocinas humanas.

Antes de declarar a estas nueve proteínas como las ganadoras finales, el equipo las sometió a una serie de pruebas de validación rigurosas para asegurar que sus hallazgos no fueran simplemente artefactos computacionales. Primero refinaron las formas de estas nueve proteínas utilizando una herramienta de predicción altamente avanzada llamada AlphaFold 3, que generó nuevos modelos de alta confianza para confirmar que las estructuras iniciales eran precisas. Luego analizaron los puntos específicos donde las proteínas del cactus tocaban las citocinas humanas. Contaron el número de enlaces químicos, como puentes de hidrógeno y puentes salinos, que se formaban en estas interfaces. Un alto número de estas conexiones sugería un ajuste estable y estrecho. Además, verificaron si las partes de las proteínas del cactus involucradas en estas interacciones estaban evolutivamente conservadas, lo que significa que habían permanecido sin cambios a través de millones de años de evolución. Esta conservación suele indicar que una región específica de una proteína es crítica para su función o estabilidad, añadiendo otra capa de confianza a los resultados.

Para probar si estas interacciones se mantendrían bajo condiciones del mundo real, los investigadores realizaron simulaciones dinámicas. Colocaron los cuatro pares de proteínas más prometedores en un entorno virtual lleno de moléculas de agua y simularon su comportamiento a lo largo del tiempo. Estas simulaciones duraron 100 nanosegundos cada una, repetidas tres veces para cada par para asegurar que los resultados fueran reproducibles. El objetivo era ver si las proteínas permanecerían unidas o si se separarían a medida que se movían y vibraban. Los resultados mostraron que las interacciones se mantuvieron estables durante las simulaciones. Las proteínas mantuvieron su forma y sus puntos de conexión, incluso mientras se movían en el agua virtual. Esta estabilidad dinámica confirmó que las interacciones predichas no eran solo instantáneas estáticas, sino que representaban complejos físicamente plausibles y robustos.

El estudio también examinó de cerca qué son realmente estas nueve proteínas priorizadas. A través de un análisis funcional, el equipo descubrió que pertenecen a diversas familias de enzimas y proteínas reguladoras, incluyendo oxidorreductasasas y proteínas de unión a ARN. Estos son componentes típicos del metabolismo vegetal, involucrados en procesos como la producción de energía y la respuesta al estrés. Los investigadores enfatizaron que la selección de estas proteínas fue impulsada enteramente por su compatibilidad estructural con las citocinas humanas, no por ninguna suposición de que funcionen naturalmente como fármacos humanos. De hecho, el estudio argumenta explícitamente contra la idea de que estas proteínas vegetales sean equivalentes funcionales directos de los reguladores de citocinas humanas. En cambio, los hallazgos sugieren que las formas tridimensionales de estas proteínas vegetales crean superficies que pueden encajar físicamente con las señales inflamatorias humanas, probablemente debido a principios compartidos de geometría y química más que a una historia biológica compartida.

El valor último de este trabajo reside en el marco de trabajo mismo. Los investigadores no afirmaron haber descubierto una nueva medicina, sino más bien un método confiable para encontrar candidatos. Al integrar múltiples capas de evidencia —modelado estructural, enfoques de acoplamiento dual, análisis evolutivo y simulaciones dinámicas— crearon un flujo de trabajo que reduce la incertididad en cada paso. Este enfoque permite a los científicos pasar de conjuntos de datos masivos e inmanejables a una lista pequeña y curada de objetivos de alta confianza que están listos para la experimentación. El estudio concluye que esta estrategia es transferible, lo que significa que puede aplicarse a cualquier transcriptoma o gran conjunto de datos proteicos para identificar candidatos estructuralmente robustos. Ofrece un camino práctico hacia adelante para la bioprospección, convirtiendo el abrumador flujo de datos genéticos en un conjunto enfocado de hipótesis que pueden guiar la futura investigación bioquímica y los esfuerzos de ingeniería de proteínas.