AlphaFold3 como instrumento de ingeniería molecular: hacia editores de base con mayor especificidad

Un estudio publicado en Nature el 22 de julio de 2026 utilizó modelado de contactos moleculares basado en AlphaFold3 para analizar miles de complejos entre editores de base y ácidos nucleicos. El objetivo fue identificar interacciones asociadas con edición en objetivo y fuera de objetivo y explotar esas diferencias para mejorar selectividad.

Los editores de base permiten modificar nucleótidos concretos sin producir necesariamente roturas de doble cadena. Su utilidad potencial es elevada, pero la seguridad depende de discriminar con precisión entre la secuencia deseada y sitios genómicos parecidos.

Meng y colaboradores emplearon predicciones estructurales de AlphaFold3 para modelar contactos en miles de configuraciones. El análisis asoció cambios moleculares muy pequeños con diferencias entre reconocimiento on-target y off-target; a partir de esos patrones se diseñaron variantes con mayor fidelidad.

Hecho confirmado: el estudio demuestra utilidad del modelado AlphaFold3 para identificar contactos relevantes y mejorar selectividad en los sistemas evaluados. Inferencia: estrategias análogas podrían optimizar otras nucleasas, editores o complejos proteína-ácido nucleico. Hipótesis: una plataforma de diseño asistido por IA podrá reducir suficientemente el riesgo off-target como para ampliar usos clínicos; requiere validación preclínica y clínica específica.

Mayor precisión computacional no elimina la necesidad de secuenciación exhaustiva, toxicología, validación independiente y control regulatorio. Deben conservarse trazabilidad de versión del modelo, parámetros, secuencias evaluadas, criterios de aceptación y resultados experimentales.

La ventaja institucional no reside en “usar IA” de forma genérica, sino en un pipeline reproducible de predicción, priorización, ensayo, evaluación off-target, auditoría y documentación.

Los resultados se circunscriben a sistemas y condiciones concretos; no equivalen a seguridad clínica universal.

Los modelos estructurales de IA empiezan a funcionar como herramientas de diseño molecular, no solo de descripción. La frontera es integrar predicción y validación sin confundir capacidad computacional con certeza biológica.