La IA diseña componentes de "microorganismos que producen medicamentos", aumentando la producción hasta aproximadamente 3 veces.

La IA diseñó componentes para una "fábrica de medicamentos"

Al buscar nuevos medicamentos, encontrar sustancias prometedoras y producirlas en cantidad suficiente son desafíos separados.

Los productos naturales generados por microorganismos pueden conducir al desarrollo de medicamentos. Sin embargo, mejorar estas sustancias encontradas en la naturaleza para que sean adecuadas para el tratamiento humano y asegurar la cantidad necesaria para la investigación no es fácil debido a la complejidad de los mecanismos celulares que las producen.

Se está avanzando en la investigación para rediseñar algunas partes de estos mecanismos de producción utilizando inteligencia artificial.

Un equipo de investigación del Instituto Helmholtz de Investigación Farmacéutica del Sarre (HIPS) en Alemania diseñó componentes proteicos que funcionan dentro de grandes enzimas que ensamblan productos naturales utilizando IA. Probaron estos componentes en células vivas y demostraron que algunos funcionan. En ciertos sistemas enzimáticos, la producción aumentó hasta aproximadamente tres veces en comparación con el uso de componentes de origen natural.

Esto no significa que la IA haya creado un nuevo medicamento terminado. Es una investigación que muestra la posibilidad de mejorar los "mecanismos de fabricación" que poseen los microorganismos para buscar candidatos a medicamentos.

La precisa "línea de ensamblaje molecular" dentro de los microorganismos

El objeto de estudio es un grupo de grandes enzimas llamadas "sintetasas de péptidos no ribosomales", abreviadas como NRPS por sus iniciales en inglés.

Aunque los términos técnicos pueden ser difíciles de entender, su función se puede comparar con una línea de ensamblaje en una fábrica. Varios componentes dividen sus roles, reciben materiales, los procesan y los pasan al siguiente paso. Al trabajar juntos, crean compuestos característicos.

Los productos naturales creados por las NRPS han sido la base para el desarrollo de antibióticos, inmunosupresores y medicamentos contra el cáncer. Por lo tanto, si se pudiera reorganizar este mecanismo libremente, podría ser posible crear sustancias con propiedades diferentes a las tradicionales.

Sin embargo, la línea de ensamblaje biológica no se puede intercambiar tan fácilmente como bloques comerciales.

Cambiar el diseño de una parte puede romper la coordinación con la parte adyacente. Esto puede detener la transferencia de materiales y hacer que la enzima deje de funcionar. Incluso si la forma de un componente individual es adecuada, no garantiza que funcione dentro del mecanismo de producción.

Lo que la IA diseñó fue el "transportador" que transfiere materiales

El equipo del Dr. Kenan Bozhüyük se centró en el "dominio de tiolación" dentro de las NRPS, conocido como el dominio T.

Este dominio se encarga de recibir la molécula en proceso de producción y transportarla al siguiente sitio de procesamiento. En términos de una fábrica, es similar a un brazo transportador móvil que conecta un proceso con otro.

El equipo de investigación combinó múltiples modelos de IA entrenados y experimentos para diseñar 76 nuevos dominios T. Integraron estos componentes en varias NRPS y verificaron cientos de variaciones enzimáticas dentro de células vivas.

Lo importante es que no dejaron el diseño propuesto por la IA solo en una evaluación computacional. Lo fabricaron, lo integraron y verificaron si podía producir un producto.

Como resultado, algunos de los componentes diseñados por la IA funcionaron. Algunos permitieron la producción de sustancias en sistemas enzimáticos combinados artificialmente y otros aumentaron la producción. Se confirmó que al menos una proteína diseñada era más soluble y estable al calor que su contraparte natural.

¿Qué significa "hasta aproximadamente tres veces"?

Un aspecto destacado de este logro es la cifra de que la producción aumentó hasta aproximadamente tres veces.

Sin embargo, este resultado no se obtuvo para todos los componentes diseñados ni para todas las sustancias. Es una mejora confirmada en sistemas enzimáticos y condiciones específicas, y no significa que la eficacia del medicamento se haya triplicado o que el tiempo de desarrollo de medicamentos se haya reducido a un tercio.

Aun así, la mejora en la producción tiene un significado en la investigación.

Incluso si se crea una nueva sustancia, si la cantidad es demasiado pequeña, es difícil investigar su estructura y propiedades en detalle. Si se puede asegurar una cantidad suficiente, será más fácil verificar qué tipo de molécula es y qué efectos tiene.

En otras palabras, la tecnología para mejorar la eficiencia de producción no solo está relacionada con la fabricación a gran escala en el futuro. También es importante en las etapas iniciales del desarrollo de medicamentos para poner a los candidatos en un estado en el que se puedan investigar en detalle.

La clave del éxito es la "compatibilidad con el vecino" más que el rendimiento del componente

Un punto importante para entender esta investigación es que los componentes diseñados se adaptaron al entorno circundante.

Incluso si el transportador es estable por sí solo, si no puede interactuar adecuadamente con el receptor de materiales o el destinatario, la línea de ensamblaje no funcionará. Es necesario transferir las moléculas en proceso de producción al lugar adecuado.

El equipo de investigación no solo trató el dominio T como una proteína independiente, sino que también se centró en cómo interactuaría con las regiones adyacentes dentro de la enzima en la que se integraría.

Esto muestra la dificultad de usar IA en el diseño biológico. Hay una distancia entre crear un "componente plausible" y un "componente que funcione dentro de un mecanismo complejo".

El Dr. Bozhüyük también explica que la IA no reemplaza los experimentos, sino que ayuda a seleccionar eficientemente los candidatos prometedores entre muchos. Avanzar en la investigación implica repetir el diseño y la experimentación.

En las redes sociales, los investigadores expresan expectativas, pero también enfatizan que es un logro condicionado

Las publicaciones en redes sociales relacionadas con esta investigación provienen principalmente del propio investigador y de organizaciones de investigación relacionadas en LinkedIn. No se ha encontrado información que indique que se haya convertido en un tema de amplia discusión entre los usuarios en general, por lo que aquí se presentan publicaciones directamente relacionadas con la investigación.

El Dr. Bozhüyük presentó los resultados en la etapa de prepublicación, explicando que diseñaron 76 tipos de dominios T y construyeron y probaron 578 tipos de NRPS recombinantes en células. También aclaró que la mejora de hasta aproximadamente tres veces en la producción depende de la composición circundante.

Además, solicitó opiniones sobre el diseño que consideraba las partes de unión de los componentes y sus interacciones. No solo promocionó el éxito, sino que también buscó discutir bajo qué condiciones el diseño funcionaría.

PharmaScienceHub, una organización de investigación relacionada, también compartió nuevamente esta investigación y expresó expectativas para su desarrollo futuro.

Estas publicaciones no son opiniones de lectores generales reunidas después de la publicación de las noticias en octubre de 2026, sino comunicaciones dentro de la comunidad de investigación desde la etapa de preimpresión. Al leerlas en este contexto, el punto de interés radica más en el aumento de métodos concretos para mejorar enzimas complejas que en la expectativa de que "la IA por sí sola pueda crear medicamentos".

¿Qué es importante para el desarrollo de medicamentos en Japón?

Al considerar este logro para Japón, es importante centrarse en la conexión entre la tecnología para predecir candidatos a sustancias y la tecnología para producirlas realmente.

Incluso si una sustancia es atractiva en cálculos, si no se puede producir en cantidad suficiente, es difícil avanzar en su evaluación. Si se puede mejorar el lado del mecanismo de producción como en este caso, es posible que se puedan investigar sustancias que anteriormente eran difíciles de asegurar.

Además, si se puede diferenciar la producción de sustancias con estructuras ligeramente diferentes a partir de productos naturales, se ampliará el rango de candidatos que se pueden investigar comparativamente. Sin embargo, este logro por sí solo no prueba que tal desarrollo se pueda lograr ampliamente.

Cuando las universidades y las empresas farmacéuticas japonesas consideren la aplicación, no será suficiente solo con la capacidad de propuesta de la IA. Será importante vincular la tecnología para manejar microorganismos, evaluar proteínas y analizar las sustancias producidas.

Esta investigación muestra que el lugar donde se verifica finalmente el valor de la IA también es el laboratorio.

El camino hacia nuevos medicamentos continúa. Sin embargo, vale la pena reducir la "barrera de producción"

Este informe es una investigación básica para mejorar los mecanismos de producción biológica. No es una confirmación de la eficacia o seguridad en humanos de un nuevo medicamento.

En el futuro, será un desafío determinar si el mismo método es aplicable a otros sistemas enzimáticos, qué combinaciones de componentes funcionarán y cómo se puede lograr una producción estable. Si las sustancias producidas se convierten en candidatos a medicamentos, será necesario investigar más a fondo sus efectos y seguridad.

Aun así, el aumento de opciones más allá de simplemente usar los mecanismos de producción encontrados en la naturaleza tiene un gran significado.

Obtener moléculas complejas producidas por microorganismos de manera más flexible y en cantidades más investigables. La IA diseña los pequeños componentes de transporte necesarios para esto.

El futuro del desarrollo de medicamentos puede cambiar no solo con el descubrimiento de "nuevos candidatos a medicamentos" destacados, sino también con la mejora de estos componentes que permiten realmente producir esos candidatos.

Fuentes

1. Phys.org:
   Publicado el 21 de octubre de 2026. Presenta el diseño del dominio T por HIPS mediante IA, su verificación en células y la mejora en la producción, junto con explicaciones de los investigadores.
   https://phys.org/news/2026-10-ai-functional-enzyme-components-drug.html

2. Nature Communications: Información de publicación del artículo de investigación
   Emre F. Bülbül y otros "Generative AI designs functional thiolation domains for reprogramming non-ribosomal peptide synthetases". Publicado el 22 de septiembre de 2026. Fecha de publicación diferente al artículo de presentación de la investigación.Nature Communications
   https://doi.org/10.1038/s41467-026-77963-6

3. Publicación en LinkedIn de Kenan Bozhüyük: Comunicación en redes sociales por el propio investigador
   Presentación de resultados en la etapa de prepublicación. Diseño de 76 tipos, prueba de 578 tipos de NRPS recombinantes, mejora en la producción dependiente de condiciones, solicitud de opiniones sobre el diseño.Kenan Bozhüyük
   https://www.linkedin.com/posts/kenan-bozh%C3%BCy%C3%BCk-16a29924b_proteindesign-syntheticbiology-nrps-activity-7435231632892207104-qbGo

4. Publicación en LinkedIn de PharmaScienceHub: Reacción de una organización de investigación relacionada
   Recompartió la investigación y expresó expectativas para su desarrollo futuro. Presentado como una reacción de una organización de investigación, no como una opinión pública general.PharmaScienceHub (PSH)
   https://www.linkedin.com/posts/pharmascihub_were-excited-to-reshare-a-new-preprint-by-activity-7435264559105417216-677m