Proteínas diseñadas con IA podrían detectar el cáncer en un análisis de orina

Imagine un mundo en el que detectar un cáncer en fase temprana requiera solo un análisis de orina. Sin biopsias dolorosas, sin esperar semanas los resultados de una resonancia magnética, sin pagar miles de dólares por una tomografía PET: basta con recoger una muestra en un recipiente de plástico. Los investigadores del Instituto Tecnológico de Massachusetts y Microsoft nos acercan a ese futuro: han enseñado a una inteligencia artificial a diseñar desde cero sensores moleculares de cáncer.

La idea se apoya en un mecanismo biológico elegante. Las células cancerosas se distinguen de las sanas en muchos aspectos, y uno de ellos es la mayor actividad de unas enzimas llamadas proteasas. Estas «tijeras» moleculares cortan proteínas y desempeñan un papel clave en los procesos que permiten al tumor crecer, invadir los tejidos circundantes y formar metástasis. Los investigadores decidieron usar esta característica contra el propio cáncer: crearon un modelo de IA capaz de diseñar cadenas cortas de proteínas, los péptidos, que se convierten en dianas específicas de las proteasas tumorales.

Así funciona. Los péptidos diseñados por la IA se colocan en la superficie de nanopartículas, que después se introducen en el organismo. Cuando las nanopartículas llegan al tejido tumoral, las proteasas activas de las células cancerosas «cortan» los péptidos y liberan diminutos fragmentos moleculares que actúan como marcadores. Esos fragmentos son tan pequeños que atraviesan libremente el filtro renal y llegan a la orina, donde pueden detectarse con métodos de laboratorio estándar. En esencia, las nanopartículas hacen de exploradores que salen en busca del enemigo y envían una señal si lo encuentran.

La clave de la innovación es el papel de la inteligencia artificial en el diseño de los péptidos. El enfoque tradicional para crear estos sensores moleculares exigiría años de experimentos de ensayo y error. El espacio de secuencias posibles de aminoácidos es astronómicamente grande: incluso un péptido corto de diez aminoácidos admite billones de combinaciones (trillions). El modelo desarrollado por el equipo del MIT y Microsoft puede moverse por ese espacio y predecir qué secuencias serán reconocidas y cortadas con mayor eficacia por proteasas tumorales concretas, manteniéndose estables frente a las enzimas de los tejidos sanos. Es fundamental para reducir los falsos positivos, la plaga del diagnóstico oncológico actual.

Para valorar la importancia del trabajo conviene mirar el contexto. El diagnóstico precoz sigue siendo uno de los grandes problemas sin resolver de la oncología. Según la Organización Mundial de la Salud, más de un tercio de las muertes por cáncer podrían evitarse con una detección a tiempo. Sin embargo, los métodos de cribado actuales son demasiado caros para un uso masivo, poco sensibles o invasivos y desagradables para los pacientes. La mamografía pasa por alto una proporción considerable de tumores de mama, la colonoscopia exige una preparación complicada y la biopsia líquida, uno de los enfoques más prometedores, cuesta todavía cientos de dólares por prueba y no siempre detecta el cáncer en sus fases más tempranas.

El trabajo del MIT y Microsoft encaja en una tendencia más amplia: el uso de la IA para diseñar moléculas biológicas. Desde que en 2024 el Premio Nobel de Química reconoció los trabajos de predicción de la estructura de proteínas, este campo vive un auténtico auge. DeepMind con AlphaFold, la startup del Institute for Protein Design de David Baker y decenas de empresas biotecnológicas emplean aprendizaje automático para crear proteínas con propiedades predefinidas. Pero mientras la mayoría de los proyectos se centran en moléculas terapéuticas, como nuevos fármacos y anticuerpos, el equipo del MIT y Microsoft ha aplicado el mismo enfoque al diagnóstico, lo que abre un horizonte muy distinto.

Naturalmente, de la demostración de laboratorio a la práctica clínica hay una enorme distancia. Habrá que demostrar que las nanopartículas son seguras para las personas, realizar ensayos clínicos, obtener la aprobación de los reguladores y montar la producción. Todo ello puede llevar años. Además, quedan preguntas abiertas: hasta qué punto el método es universal para distintos tipos de cáncer, cuál es su sensibilidad real in vivo y si las nanopartículas provocarían una respuesta inmune con el uso repetido.

Aun así, el concepto en sí, usar la IA para diseñar «espías» moleculares que convierten la difícil tarea del diagnóstico oncológico precoz en un análisis de orina rutinario, resulta verdaderamente rompedor. Si la tecnología demuestra su eficacia en condiciones clínicas, podría democratizar el acceso a la detección precoz del cáncer en todo el mundo, incluidas las regiones sin equipos de resonancia ni centros oncológicos. Y ahí reside, quizá, la mayor fuerza de la alianza entre IA y biología: no solo acelerar procesos existentes, sino crear soluciones radicalmente nuevas para problemas que parecían inabordables.