La incorporación de modelos de inteligencia artificial al diseño de novo de proteínas está transformando la biología estructural contemporánea. Desde la aparición de AlphaFold 2, que permite predecir la estructura tridimensional a partir de la secuencia primaria, se han conseguido hitos significativos: diseño de ligandos con afinidad excepcional, ensamblaje preciso de dominios alostéricos y posicionamiento de residuos con geometrías refinadas en luciferasas artificiales. Estos logros reflejan cómo los avances en aprendizaje automático están habilitando la solución de problemas cada vez más complejos.

En este marco, nuestro grupo se dedica al diseño de proteínas capaces de reconocer y unirse a objetivos de relevancia médica, combinando herramientas de modelado computacional, simulaciones de dinámica molecular y validación experimental para generar moléculas con propiedades terapéuticas específicas.

Las proteínas se traducen a partir de los genes presentes en el genoma de los organismos y deben adquirir una estructura tridimensional nativa para ejercer sus funciones biológicas. El proceso mediante el cual una cadena polipeptídica alcanza su conformación funcional se denomina plegamiento proteico. En nuestro laboratorio combinamos enfoques bioinformáticos y bioquímicos para investigar cómo ocurre el plegamiento mientras la cadena aún está siendo sintetizada por el ribosoma, la macromolécula responsable de traducir la información genética en proteínas funcionales.

Empleamos ribosomas mutantes que presentan alteraciones en el canal de salida (túnel de salida ribosomal) por el cual las nascentes cadenas polipeptídicas emergen al citoplasma. Estas variantes nos permiten evaluar cómo las modificaciones estructurales del túnel influyen en la estabilidad termodinámica y la arquitectura final de las proteínas plegadas.

La creciente disponibilidad de genomas completos ha generado vastos catálogos de proteínas cuya función biológica permanece desconocida. Comprender el papel de estas proteínas es esencial para descifrar los procesos celulares que sustentan la fisiología, la adaptación y la patogenicidad de los organismos. En nuestro laboratorio integramos herramientas de bioinformática, genómica comparativa y modelado estructural —como AlphaFold y ESMFold— para predecir estructuras tridimensionales, identificar proteínas conservadas y establecer relaciones evolutivas que orienten la anotación funcional de proteínas sin caracterización experimental.

Este enfoque nos permite generar hipótesis sobre posibles interacciones moleculares, rutas metabólicas y mecanismos de virulencia, que posteriormente pueden validarse mediante estudios experimentales. A través de esta estrategia buscamos construir mapas funcionales de proteomas completos, aportando nuevos blancos para el desarrollo de herramientas diagnósticas, terapéuticas o vacunas, y fomentando así el aprovechamiento del potencial biotecnológico de organismos poco caracterizados, así como contribuyendo a la reducción de la prevalencia de bacterias patógenas mediante la generación de inmunógenos para el control de estos patógenos.