Qué acaban de lograr con IA y proteasas
Un enlace peptídico, el pegamento químico que mantiene unida una cadena de aminoácidos, tiene una vida media estimada de varios cientos de años cuando está solo en el agua. En la práctica casi ninguna proteína dura tanto: los organismos evolucionaron un puñado de mecanismos para catalizar su ruptura, que con el tiempo se diversificaron en incontables enzimas digestivas especializadas, las proteasas.
Ese proceso de diversificación natural, que a la evolución le llevó eones, un equipo de investigadores acaba de saltárselo. Según el reporte de Ars Technica, tomaron el núcleo catalítico de dos tipos de proteasa y reemplazaron con herramientas de diseño de proteínas basadas en IA todo el resto de la molécula. El resultado son enzimas que pueden ajustarse para cortar proteínas específicas por la mitad. Para demostrar que funcionan, las usaron para cortar proteínas asociadas a enfermedades neurológicas.
Cómo se rompe un enlace peptídico
El enlace peptídico es lo que aparece cuando se une un grupo amino a un ácido, liberando una molécula de agua en el proceso. Como su nombre indica, los aminoácidos tienen tanto un grupo amino como uno ácido, lo que les permite formar enlaces peptídicos en dos lados y construir así las cadenas largas de las proteínas. Sus cadenas laterales, con química propia, le dan a cada esqueleto propiedades específicas.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasRomper esos enlaces es simplemente revertir el proceso: separar el enlace peptídico y una molécula de agua, y volver a unir sus partes. Como ambos componentes son químicamente estables, la reacción necesita una enzima para ocurrir con cierta frecuencia. Sin enzima, un enlace peptídico típico permanecería estable cientos de años en agua.
La vida desarrolló varios mecanismos de catálisis. Esta investigación se apoyó en dos. Uno es la proteasa de zinc: la carga positiva del átomo de zinc coordina el enlace peptídico que se va a romper, partes clave de la proteasa y una molécula de agua. La proteasa le arranca parcialmente un protón a esa molécula de agua, la activa y así esta ataca y rompe el enlace.
Por qué una proteasa a medida es distinto a lo que ya existe
Las proteasas están en todas partes y, como señala el reporte, despachan con rapidez cualquier proteína que llegue a su entorno. Esa eficiencia tiene un costo: son poco selectivas. Cortan mucho y eligen poco.
El valor de una proteasa diseñada está justamente ahí, en la especificidad. Una enzima que corta un objetivo y nada más deja de ser un mecanismo biológico general y se convierte en una herramienta: sirve para investigar, para diagnosticar y, eventualmente, para intervenir. La demostración con proteínas asociadas a enfermedades neurológicas apunta a esa dirección, donde el problema no suele ser una molécula que falta sino una que sobra o que se acumula en la forma equivocada.
La lectura para el sector es que el diseño de proteínas dejó de ser un ejercicio de búsqueda entre lo que la naturaleza ya inventó. Ahora es un ejercicio de ingeniería con especificaciones.
El mercado que financia este tipo de investigación
Según el informe de MarketsandMarkets difundido por PR Newswire el 5 de octubre de 2026, el mercado de IA aplicada a la ingeniería de proteínas pasará de US$1.440M en 2026 a US$3.820M en 2031, con una tasa de crecimiento anual compuesta de 21,6%. El mismo informe ubica a Norteamérica con el 48,6% de la participación en 2025, a las plataformas de software con el 75,4% del mercado ese año y a los miniproteínas como el segmento de mayor crecimiento proyectado, con un 23,7% anual.
El dinero que sostiene esta ola ya tiene nombres. El informe registra que EvolutionaryScale levantó US$142M en 2024, que Latent Labs consiguió US$50M en febrero de 2025 y que AI Proteins cerró una Serie A de US$41,5M en noviembre de 2025. En 2025 se contabilizaron 120 acuerdos de descubrimiento de fármacos y blancos terapéuticos basados en IA, el 23% de los 513 registrados desde 2017, con un valor potencial total de US$29.700M y cerca de US$800M comprometidos por adelantado.
El contexto de venture acompaña. Según Crunchbase News, las startups de IA levantaron US$102.000M en el tercer trimestre de 2026, el 64% del capital de riesgo global del período.
Qué significa esto para tu startup
El patrón de esta investigación es más transferible de lo que parece: conservar el núcleo que hace el trabajo y rediseñar todo lo que lo rodea. Eso es una decisión de arquitectura, no un hallazgo de laboratorio.
- Si tu producto es una búsqueda en un espacio enorme, pregúntate si un modelo generativo puede saltarse la exploración. Formulación de materiales, química industrial, diseño de componentes: en todos esos casos el cuello de botella es la cantidad de combinaciones posibles, no la falta de ideas.
- Si estás en biotech o healthtech, el cuello de botella se movió del laboratorio al diseño y la validación. El mismo informe de MarketsandMarkets, citando una encuesta de Benchling de 2025 sobre unas 100 organizaciones de biotech y farmacéuticas, indica que el 55% destinó al menos el 11% de su presupuesto tecnológico de I+D a IA y que el 87% reporta agentes de IA embebidos en flujos de trabajo, pero que solo el 22% logra escalar IA con éxito y apenas el 9% obtiene retornos significativos. La ventaja competitiva no está en tener el modelo, sino en el pipeline experimental que lo valida.
- Si operas desde LATAM o España, la vía realista no es competir en plataformas propias. Con Norteamérica concentrando el 48,6% del mercado y Asia-Pacífico como la región de mayor crecimiento, según MarketsandMarkets, el espacio defendible está en la capa de aplicación y en las alianzas con organizaciones de investigación por contrato.
- Empieza por el stack público antes de invertir en infraestructura. El comunicado de EMBL difundido por EurekAlert describe el pipeline estándar del campo: RFdiffusion para diseñar los esqueletos de proteína, LigandMPNN para generar las secuencias y AlphaFold y RoseTTAFold para filtrar candidatos antes de la validación experimental. Son herramientas accesibles, no activos propietarios.
Lo que todavía no se puede confirmar
La fuente original no identifica al equipo de investigación, ni la revista donde se publicó el trabajo, ni cuáles son las proteínas asociadas a enfermedades neurológicas que se usaron en la demostración. Tampoco detalla el segundo de los dos mecanismos catalíticos mencionados, ni reporta validación en organismos vivos. No se encontraron datos adicionales verificables sobre esos puntos, así que quedan fuera de este análisis en lugar de completarse por aproximación.
Conclusión
Diseñar una enzima que corte exactamente lo que quieres cortar es un cambio de categoría: convierte un proceso biológico en una herramienta con especificaciones. El mercado lo está descontando a un ritmo de 21,6% anual hasta 2031, según MarketsandMarkets, y el capital sigue entrando en plataformas de diseño más que en laboratorios.
Para un founder, la pregunta útil no es si la biología programable llegará a su sector, sino qué parte de su producto es hoy una búsqueda a ciegas que un modelo podría resolver de otra manera. Ese es el aprendizaje que se puede aplicar esta semana, incluso sin pipeta ni bata.
Fuentes
- Ars Technica: Researchers use AI to design proteins that cut up other proteins (fuente original)
- PR Newswire / MarketsandMarkets: AI in Protein Engineering Market worth $3.82 billion by 2031
- EurekAlert: NovoTags, AI-designed proteins help scientists see inside living cells
- Phys.org: AI-designed proteins built from scratch can recognize specific compounds
- Crunchbase News: Q3 2026 Posted A Record Count Of Billion-Dollar Rounds
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
