{"id":66351,"date":"2026-01-08T10:42:35","date_gmt":"2026-01-08T16:42:35","guid":{"rendered":"https:\/\/saluddigital.com\/?p=66351"},"modified":"2026-01-08T10:46:46","modified_gmt":"2026-01-08T16:46:46","slug":"ia-acelera-el-diseno-de-moleculas-clave-para-diagnostico-y-tratamiento-de-enfermedades","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-acelera-el-diseno-de-moleculas-clave-para-diagnostico-y-tratamiento-de-enfermedades\/","title":{"rendered":"IA acelera el dise\u00f1o de mol\u00e9culas clave para diagn\u00f3stico y tratamiento de enfermedades"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un nuevo sistema denominado CleaveNet basado en aprendizaje profundo permite crear, de forma r\u00e1pida y precisa, sustratos para enzimas implicadas en c\u00e1ncer, inflamaci\u00f3n y otros procesos biol\u00f3gicos.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un equipo de investigadores del Instituto Tecnol\u00f3gico de Massachusetts (MIT), en colaboraci\u00f3n con cient\u00edficos de Microsoft Research y otras instituciones, ha desarrollado una herramienta de inteligencia artificial que promete transformar la manera en que se dise\u00f1an mol\u00e9culas esenciales para la medicina moderna. El avance, publicado en la revista Nature Communications<\/em><\/a>, presenta un sistema llamado CleaveNet<\/strong>, capaz de dise\u00f1ar de forma autom\u00e1tica y precisa sustratos para proteasas, un tipo de enzima clave en numerosos procesos de salud y enfermedad.<\/p>

The proteasas<\/strong> son enzimas que cortan prote\u00ednas en puntos espec\u00edficos. Este \u201ccorte\u201d es fundamental en funciones como la coagulaci\u00f3n sangu\u00ednea, la cicatrizaci\u00f3n de tejidos y la respuesta inmune, pero tambi\u00e9n est\u00e1 implicado en enfermedades como el c\u00e1ncer, la artritis y las patolog\u00edas cardiovasculares. Para estudiar estas enzimas y aprovecharlas en diagn\u00f3sticos o tratamientos, los cient\u00edficos necesitan dise\u00f1ar sustratos<\/strong>, que son peque\u00f1as secuencias de amino\u00e1cidos que las proteasas puedan reconocer y cortar. Sin embargo, encontrar los sustratos adecuados ha sido hist\u00f3ricamente un proceso lento, costoso y basado en prueba y error.<\/p>

El problema radica en la enorme cantidad de combinaciones posibles. Un p\u00e9ptido de solo diez amino\u00e1cidos puede tener m\u00e1s de un bill\u00f3n de variantes distintas. Explorar este espacio de manera experimental es pr\u00e1cticamente imposible. Frente a este desaf\u00edo, el equipo del MIT desarroll\u00f3 CleaveNet<\/strong>, un sistema de inteligencia artificial que combina dos funciones: primero, predice<\/strong> qu\u00e9 tan bien una proteasa puede cortar una secuencia determinada; y despu\u00e9s, genera<\/strong> nuevas secuencias optimizadas seg\u00fan objetivos espec\u00edficos, como mayor eficiencia o mayor selectividad.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cNos centramos en la detecci\u00f3n ultrasensible de enfermedades como el c\u00e1ncer en sus primeras fases, cuando la carga tumoral es peque\u00f1a, o en las primeras fases de la recurrencia tras la cirug\u00eda\u201d, detall\u00f3 Sangeeta Bhatia, profesora John de Ciencias y Tecnolog\u00eda de la Salud e Ingenier\u00eda El\u00e9ctrica y Ciencias Inform\u00e1ticas en el MIT.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En lugar de limitarse a decir si una mol\u00e9cula \u201cfunciona o no\u201d, CleaveNet estima que tan bien funciona<\/strong>, lo que permite comparar miles de opciones en cuesti\u00f3n de minutos. Adem\u00e1s, el sistema puede ser guiado para dise\u00f1ar sustratos que sean reconocidos casi exclusivamente por una proteasa concreta, algo especialmente dif\u00edcil de lograr porque muchas de estas enzimas son muy parecidas entre s\u00ed y tienden a cortar las mismas secuencias.<\/p>

Para demostrar la eficacia del m\u00e9todo, los investigadores se enfocaron en una familia de enzimas llamadas metaloproteinasas de matriz<\/strong> (MMP, en ingl\u00e9s) muy estudiadas por su papel en la met\u00e1stasis del c\u00e1ncer, la inflamaci\u00f3n y la degradaci\u00f3n de tejidos. CleaveNet no solo logr\u00f3 reproducir patrones de corte ya conocidos, sino que tambi\u00e9n descubri\u00f3 motivos de reconocimiento previamente no identificados<\/strong>, lo que sugiere que la inteligencia artificial puede revelar aspectos ocultos de la biolog\u00eda molecular.<\/p>

\u201cHemos estado promoviendo la idea de que si se puede fabricar un sensor a partir de estas proteasas y multiplexarlas, se podr\u00edan encontrar indicios de d\u00f3nde estas proteasas estaban activas en las enfermedades. Y dado que la escisi\u00f3n de p\u00e9ptidos es un proceso enzim\u00e1tico, realmente puede amplificar una se\u00f1al\u201d afirm\u00f3 Bhatia.<\/p>

\u00a0<\/p>

Los sustratos dise\u00f1ados por el sistema fueron puestos a prueba en laboratorio mediante experimentos \u201cin vitro\u201d. Los resultados fueron contundentes: pr\u00e1cticamente todos los sustratos generados por CleaveNet fueron cortados por la enzima objetivo, y varios mostraron un desempe\u00f1o incluso mejor que los mejores ejemplos disponibles hasta ahora en bases de datos experimentales. En el caso de la enzima MMP13, relacionada con c\u00e1ncer y osteoartritis, el sistema logr\u00f3 crear mol\u00e9culas que no solo eran muy eficientes, sino tambi\u00e9n altamente selectivas, algo considerado especialmente dif\u00edcil en este campo.<\/p>

Este avance tiene implicaciones directas para el desarrollo de diagn\u00f3sticos activados por enzimas<\/strong>, terapias m\u00e1s precisas y f\u00e1rmacos inteligentes que solo se activen en tejidos enfermos. Por ejemplo, se podr\u00edan dise\u00f1ar sensores que emitan una se\u00f1al solo cuando una proteasa asociada a c\u00e1ncer est\u00e9 activa, o medicamentos que liberen su efecto \u00fanicamente en el sitio donde una enzima espec\u00edfica est\u00e9 trabajando. \u201cPodemos aprovechar el poder de la computaci\u00f3n para intentar optimizar espec\u00edficamente estas m\u00e9tricas de eficiencia y selectividad\u201d, expres\u00f3 Ava Amini, otra de las autoras.<\/p>

M\u00e1s all\u00e1 de las proteasas, los autores se\u00f1alan que el enfoque de CleaveNet podr\u00eda extenderse a otras clases de enzimas. Esto abre la puerta a una nueva generaci\u00f3n de herramientas de dise\u00f1o molecular asistido por inteligencia artificial, capaces de reducir a\u00f1os de investigaci\u00f3n a semanas o incluso d\u00edas.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41467-025-67226-1<\/a><\/p>

MIT<\/strong><\/p>

https:\/\/news.mit.edu\/2026\/ai-generated-sensors-open-new-paths-early-cancer-detection-0106<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

IA acelera el dise\u00f1o de mol\u00e9culas clave para diagn\u00f3stico y tratamiento de enfermedades en nuevo estudio del MIT y Microsoft Research.<\/p>","protected":false},"author":1,"featured_media":66352,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-66351","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66351","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=66351"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66351\/revisions"}],"predecessor-version":[{"id":66358,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66351\/revisions\/66358"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/66352"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=66351"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=66351"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=66351"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}