Nueva técnica revela a gran escala cómo miles de proteínas cambian de forma y se mueven

Liderado por un brasileño, un estudio publicado en Nature muestra que moléculas con una estructura tridimensional casi idéntica pueden presentar comportamientos completamente diferentes a lo largo del tiempo

Por Luciana Constantino  |  Agência FAPESP – Investigadores lograron desarrollar una técnica inédita capaz de mapear, a gran escala y simultáneamente, cómo miles de proteínas cambian de forma a lo largo del tiempo. Los resultados, publicados en la revista Nature, revelan que incluso proteínas con estructuras similares pueden presentar comportamientos dinámicos completamente diferentes.

Además, estos cambios no ocurren únicamente en puntos aislados de la molécula: partes enteras pueden abrirse, relajarse o volverse temporalmente menos estables. Este aspecto contribuye a comprender cómo estas moléculas desempeñan sus funciones en el organismo. De este modo, el trabajo abre el camino para entrenar modelos de inteligencia artificial capaces de predecir no solo la forma, sino también cómo las proteínas se “pliegan” (es decir, adoptan su forma tridimensional) y se modifican.

Tradicionalmente, los estudios se centran en determinar la estructura tridimensional de la proteína de manera estática, obteniendo una especie de “fotografía”. Sin embargo, el funcionamiento de la molécula depende directamente de cómo se mueve y transita entre diferentes estados a lo largo del tiempo. Capturar experimentalmente estas fluctuaciones dinámicas implica un proceso lento y de alto costo, generalmente limitado al análisis de una o pocas proteínas por investigación.

Ahora, en lugar de analizar una molécula a la vez, los científicos desarrollaron una estrategia basada en el intercambio hidrógeno-deuterio (un proceso en el que los átomos de hidrógeno de la propia proteína son sustituidos por los de un líquido especial en el que esta se sumerge), asociado a la espectrometría de masas multiplexada (mHDX-MS), una técnica avanzada que mide con precisión estas variaciones en el peso de la molécula para rastrear sus movimientos. Este innovador enfoque permitió mapear modificaciones y barreras energéticas (la energía necesaria para que la molécula cambie de forma) de 5.778 dominios proteicos (módulos más pequeños o “bloques de construcción” de la molécula), con longitudes de entre 28 y 64 aminoácidos, pertenecientes a diez familias distintas de proteínas, bajo condiciones experimentales idénticas.

“Desarrollamos una estrategia experimental multiplexada capaz de mapear el paisaje energético [los diferentes estados de energía y forma] de cientos de estas moléculas en un único experimento. Estamos observando un aspecto fundamental de la biología estructural que hasta ahora era poco accesible: las diferentes conformaciones que las proteínas pueden adoptar más allá de su estructura más común. Ahora contamos con un conjunto de herramientas para crear una base de datos masiva sobre la dinámica de las proteínas y, con ello, entrenar modelos capaces de predecir estas fluctuaciones directamente a partir de la secuencia de aminoácidos. Esto es importante para comprender, por ejemplo, el mecanismo molecular mediante el cual mutaciones puntuales alteran sutilmente la estabilidad local y desencadenan fenotipos de enfermedad [síntomas y manifestaciones clínicas], sin necesariamente provocar la desestructuración de toda la proteína”, explica a Agência FAPESP el profesor Allan Ferrari, del Departamento de Farmacología de Northwestern Medicine, en Chicago (Estados Unidos), y primer autor del artículo.

Ilustración de una proteína alternando entre una forma más compacta o enrollada (a la izquierda) y una desenrollada (crédito: Allan Ferrari)

Ferrari, quien trabaja desde hace más de cinco años en el laboratorio del investigador Gabriel Rocklin, autor correspondendiente del trabajo, inició el estudio durante su posdoctorado, realizado en el Instituto de Química de la Universidad Estatal de Campinas (Unicamp), en Brasil, con el apoyo de la FAPESP.  

Para ejemplificar cómo estas alteraciones repercuten en la salud humana, el profesor menciona la lisozima, una enzima (proteína) de defensa presente en secreciones como las lágrimas y la saliva, cuya principal función es romper los enlaces químicos que forman la pared celular de las bacterias para proteger al organismo. Sin embargo, existen mutaciones que hacen que la lisozima sea localmente menos estable, dejando expuestas partes ocultas de la proteína y permitiendo que unas se adhieran a otras. Este proceso genera agregados anormales que se acumulan en el hígado y los riñones, perjudicando progresivamente su funcionamiento y pudiendo causar insuficiencia de estos órganos.

Las estructuras tridimensionales de las dos formas de la proteína —la original (sin mutaciones) y la mutante— son prácticamente idénticas cuando se analizan mediante los métodos tradicionales de biología estructural. Sin embargo, el mapeo de la dinámica revela que la mutación facilita la apertura local de la estructura de la proteína.

“Para mapear estos matices conformacionales transitorios, la biología estructural tradicional recurre a técnicas como la cristalografía de proteínas, el análisis por difracción de rayos X, la resonancia magnética nuclear o la criomicroscopía electrónica. Sin embargo, muchas veces lo que se desea observar es invisible para estas metodologías. O bien estas requieren que cada sistema sea analizado de manera específica, lo que implica mucho tiempo para caracterizar pocas variantes, en contraste con la escala obtenida mediante la plataforma mHDX-MS”, concluye Ferrari.

La importancia de las bases de datos

Durante más de 50 años, la comunidad científica internacional ha depositado estructuras tridimensionales resueltas experimentalmente en el Protein Data Bank. 

Esta base de datos pública, combinada con miles de millones de secuencias conocidas, permitió la creación, en 2018, de AlphaFold, un modelo de inteligencia artificial que ayudó a resolver el complejo problema del plegamiento de proteínas, revolucionando el área. El sistema puede predecir la estructura tridimensional de biomoléculas, como proteínas, ADN y ARN, a partir de su secuencia genética. La innovación fue reconocida con el Premio Nobel de Química de 2024, concedido a John Jumper y Demis Hassabis, de Google DeepMind en Londres, por el desarrollo de la herramienta, y a David Baker, de la Universidad de Washington, por su trabajo en diseño computacional de proteínas.

Aunque AlphaFold puede predecir la “selfie” estática de una proteína a partir de su secuencia de aminoácidos, todavía presenta limitaciones para capturar las fluctuaciones dinámicas de la molécula a lo largo del tiempo, una especie de “película”. El problema es que no existía una base de datos a gran escala capaz de describir estas dinámicas de manera sistemática.

“Existe un número ilimitado de combinaciones posibles de aminoácidos [moléculas orgánicas que se unen para formar las proteínas]. Si se está diseñando un nuevo medicamento o un nuevo sensor para biotecnología, ¿cuál es la mejor secuencia de aminoácidos para una función específica o cómo las modificaciones en esa secuencia alterarán el comportamiento de la proteína? El enfoque mHDX-MS ahora nos permite examinar estas fluctuaciones conformacionales en miles de secuencias de proteínas diferentes”, explicó Rocklin en un comunicado de prensa.

El enfoque mHDX-MS dio lugar a la primera base de datos pública experimental de dinámica de proteínas a gran escala. Este repositorio puede contribuir a entrenar y perfeccionar la próxima generación de modelos de aprendizaje automático, enseñándoles a predecir paisajes energéticos completos directamente a partir de la secuencia de aminoácidos.

Además de mapear la dinámica de miles de estructuras naturales y diseñadas, los investigadores también demostraron el uso de la plataforma en la ingeniería de proteínas. Utilizando los datos experimentales generados por la técnica, el grupo identificó dos mutaciones capaces de estabilizar una región naturalmente flexible de una de las proteínas caracterizadas en el estudio. Experimentos posteriores confirmaron que las modificaciones produjeron el efecto esperado.

Para entender el método

La técnica consiste en sumergir la molécula de proteína en un solvente especial a base de agua que contiene deuterio (una forma más pesada del hidrógeno común). Cuando la molécula entra en contacto con este líquido, se produce una sustitución natural: los átomos de hidrógeno de la propia proteína son reemplazados por átomos de deuterio del solvente.

Este proceso funciona como un rastreador: las partes de la proteína que están ocultas en el interior de su estructura (“cerradas”) quedan protegidas y tardan más en intercambiar átomos. En cambio, las regiones que se mueven o quedan en la superficie (“abiertas”) realizan el intercambio rápidamente, aumentando su masa. Al medir esta velocidad de intercambio en condiciones idénticas, los científicos pueden mapear exactamente dónde y cómo fluctúa la molécula en el espacio, calculando las energías asociadas a los movimientos locales de cada proteína, algo imposible de detectar mediante las técnicas tradicionales de biología estructural.

De este modo, fue posible observar que los cambios en la secuencia de aminoácidos son suficientes para alterar significativamente la dinámica y la estabilidad de estas moléculas. En muchos casos, proteínas de una misma familia estructural presentaron comportamientos dinámicos más diferentes entre sí que los de proteínas pertenecientes a familias distintas.

En cuanto a las fluctuaciones estructurales, el estudio mostró que, entre las proteínas más dinámicas, bloques estructurales enteros (como las hélices alfa y las láminas beta) son menos estables y se abren conjuntamente con mayor facilidad.

Incluso después de los avances y de la posibilidad de predecir con gran precisión la estructura tridimensional de las moléculas, los científicos señalan que comprender cómo las secuencias de proteínas determinan las transiciones entre diferentes estados sigue siendo un desafío para la biofísica molecular.

Según Ferrari, su investigación continúa por dos caminos: uno de ellos consiste en ampliar la generación de datos para familias específicas y explorar cuánto es posible “aprender” sobre la dinámica de estas proteínas a partir de un gran conjunto de información. El otro busca comprender cómo las alteraciones en la dinámica de las proteínas contribuyen al surgimiento de enfermedades humanas.

El artículo Large-scale discovery, analysis and design of protein energy landscapes está disponible en www.nature.com/articles/s41586-026-10465-z.