Rediseño génico entre especies aprovechando información de ortólogos y modelado generativo

Por qué importa rediseñar genes entre especies

La biotecnología moderna a menudo necesita trasladar genes de un microbio a otro para fabricar medicamentos, enzimas o herramientas de limpieza ambiental. Sin embargo, un gen que funciona bien en su microbio original puede fallar en un nuevo huésped y producir poco proteína. Este artículo presenta un nuevo sistema de inteligencia artificial, OrthologTransformer, que aprende de la evolución misma para reescribir genes de modo que resulten “nativos” en otra especie, mejorando su rendimiento y abriendo nuevas posibilidades para la tecnología verde y la industria.

Límites de las técnicas actuales de ajuste génico

Durante décadas, los científicos han recurrido a una estrategia llamada optimización de codones para ayudar a genes extranjeros a funcionar en nuevos huéspedes. La idea es simple: el código genético tiene varios “codones” de tres letras que pueden codificar el mismo aminoácido, y distintas especies prefieren distintos codones. Las herramientas tradicionales sustituyen codones raros por los preferidos sin cambiar la secuencia de aminoácidos de la proteína. Esto suele ayudar, pero pasa por alto muchas otras características que afectan al rendimiento génico, como el plegamiento del ARN, señales regulatorias y el momento de la producción de la proteína. En algunos casos, la sobreoptimización de codones puede incluso reducir el rendimiento proteico. Mientras tanto, la naturaleza resuelve la adaptación entre especies de una forma más rica: genes relacionados en diferentes especies, conocidos como ortólogos, muestran comúnmente cambios en aminoácidos y pequeñas inserciones o deleciones además de intercambios de codones, todo ello preservando la función global.

Aprender el manual de la naturaleza para reescribir genes

OrthologTransformer trata el rediseño génico como una especie de traducción de lenguaje: dada una secuencia de ADN de una bacteria, la “traduce” a cómo ese gen probablemente se vería en otra especie. El modelo se basa en la arquitectura Transformer usada en herramientas lingüísticas modernas, pero aquí opera sobre codones en lugar de palabras. Se entrena con millones de genes ortólogos emparejados naturalmente de más de dos mil especies bacterianas, con tokens especiales que indican de qué especie proviene y a qué especie se convierte. Al observar cómo la evolución ya ha equilibrado la función y la adaptación al huésped, el sistema aprende cuándo bastan simples intercambios de codones y cuándo se toleran sutiles cambios en aminoácidos o ajustes de longitud. En pruebas que abarcaron 45 especies bacterianas y cientos de combinaciones fuente–destino, los genes rediseñados por la IA se parecieron más a los ortólogos nativos de la especie objetivo que los obtenidos mediante optimización de codones convencional y que los de un optimizador neuronal de codones líder, manteniendo al mismo tiempo alta similitud a nivel de proteína.

Poner en práctica enzimas comedoras de plástico diseñadas por IA

Para demostrar que esto es más que un truco computacional, el equipo se centró en PETasa, una enzima de la bacteria Ideonella sakaiensis capaz de descomponer PET, el material de la mayoría de las botellas de bebida. Ideonella crece despacio y no es ideal para uso industrial, por lo que los investigadores pidieron a OrthologTransformer que reescribiera el gen PETasa para un huésped de crecimiento más rápido, Bacillus subtilis. Generaron un panel de doce variantes de genes rediseñados, explorando diferentes configuraciones de entrenamiento y un procedimiento de búsqueda adicional que orientaba las secuencias hacia una composición de ADN similar a la de Bacillus y estructuras de ARN favorables. A pesar de que algunas variantes contenían muchos cambios en el ADN y unas pocas sustituciones de aminoácidos, los modelos por ordenador predijeron que la forma 3D esencial de la enzima se preservaba. Cuando se construyeron y probaron estos diseños en células vivas de Bacillus, varias produjeron grandes cantidades de PETasa secretada y todas mostraron actividad medible de degradación de plástico.

Un diseño de IA que supera la optimización estándar

Una secuencia diseñada por IA, llamada AI-L2, destacó. Las células de Bacillus que portaban este gen secretaron cantidades especialmente elevadas de PETasa y generaron aproximadamente tres veces más producto de degradación de plástico que cualquier otra cepa en una prueba de siete días, y alrededor de diez veces más que los controles típicamente optimizados por codones cuando se midió por productos de la reacción. Imágenes microscópicas de películas de PET expuestas a células con AI-L2 revelaron pozos y agujeros profundos donde el plástico había sido comido, mucho más dramáticos que en otras condiciones. Pruebas enzimáticas detalladas mostraron que la versión AI-L2 de PETasa no solo se producía con mayor eficiencia sino que también procesaba su sustrato más rápido, otorgándole mayor eficiencia catalítica que las enzimas originales y las optimizadas por codones. Un experimento paralelo en Escherichia coli mostró que una versión de PETasa diseñada por OrthologTransformer, incluso cuando solo cambiaba el uso de codones y no la secuencia de aminoácidos, aún superaba a un gen optimizado por frecuencia de codones, destacando que el modelo captura preferencias sutiles y específicas del huésped que los métodos tradicionales pasan por alto.

Qué significa esto para la biología y la tecnología futuras

En términos cotidianos, OrthologTransformer es como un traductor experto que no solo reescribe la “ortografía” de un gen para un nuevo microbio, sino que también realiza pequeñas ediciones informadas por la evolución a la “frase” cuando sabe que serán seguras o beneficiosas. Al aprender directamente de cómo se han adaptado naturalmente los genes a lo largo de miles de especies bacterianas, puede proponer ADN rediseñado que funcione mejor en nuevos huéspedes que los diseños limitados al intercambio de codones. La creación exitosa de una enzima comedora de plástico más potente en Bacillus subtilis sugiere que este rediseño génico guiado por IA podría acelerar el desarrollo de biocatalizadores industriales, microbios para limpieza ambiental y, eventualmente, incluso terapias génicas médicas, ayudando a los organismos a leer y usar genes extranjeros como si fueran propios.

Cita: Akiyama, M., Tashiro, M., Huang, Y. et al. Cross-species gene redesign leveraging ortholog information and generative modeling. Nat Commun 17, 2120 (2026). https://doi.org/10.1038/s41467-026-69966-0

Palabras clave: rediseño génico, biotecnología sintética, genes ortólogos, IA en biotecnología, enzimas degradadoras de plástico