Proteine più piccole grazie all'AI: il nuovo strumento che potrebbe rivoluzionare la terapia genica

Nel mondo della biologia molecolare, le dimensioni contano, e non sempre in senso positivo. Proteine più piccole sono spesso più facili da usare, meno invasive nei sistemi biologici che devono monitorare, e più compatibili con i veicoli di consegna utilizzati in terapia genica. Il problema è che ridurre una proteina senza distruggerla è enormemente difficile: ogni aminoacido è lì per una ragione, e rimuoverne uno nel posto sbagliato può far collassare l'intera struttura o annullarne l'attività. Un nuovo strumento basato sull'intelligenza artificiale, chiamato Raygun, affronta questo problema in modo radicalmente diverso da qualsiasi approccio precedente. Sviluppato da Rohit Singh e Scott Soderling della Duke University e pubblicato su Nature, Raygun è in grado di suggerire tagli strategici nella sequenza aminoacidica di una proteina esistente, riducendone le dimensioni del 10-15% senza comprometterne la funzione. Il principio alla base di Raygun non è di progettare nuove proteine da zero, né di mutare un aminoacido alla volta per ottimizzare la sequenza, approcci già esistenti ma laboriosi e limitati. Raygun ragiona invece a partire dai pattern evolutivi nelle sequenze proteiche: analizza come le proteine si sono modificate nel corso dell'evoluzione, inferisce quali porzioni sono indispensabili e quali sono ridondanti o sostituibili, e propone tagli coerenti con quella logica evolutiva. "Questo approccio ragiona essenzialmente dai pattern evolutivi nelle sequenze proteiche per capire quali siano i pezzi critici", spiega Singh. "Puoi chiedere sostituzioni molto più estese di quelle che otterresti tipicamente con mutazioni punto per punto." Per testare il sistema, il team ha applicato Raygun a due proteine fluorescenti ampiamente usate in biologia cellulare: EGFP e mCherry. Le versioni rimpicciolite, ridotte del 10-15% in lunghezza di sequenza, continuavano a emettere fluorescenza sotto eccitazione, dimostrando che la funzione era intatta nonostante la riduzione strutturale. Le applicazioni pratiche di uno strumento del genere sono concrete. Le proteine fluorescenti come EGFP e mCherry vengono usate come tag molecolari per visualizzare processi biologici e tessuti: vengono attaccate a proteine di interesse per seguirne il comportamento nelle cellule vive. Il problema è che un tag troppo grande può interferire con la proteina che dovrebbe semplicemente "etichettare", alterandone il comportamento. Una versione più compatta sarebbe meno invasiva e più affidabile. Ma l'applicazione forse più rilevante riguarda la terapia genica. Uno dei principali ostacoli alla diffusione clinica di queste terapie è la capacità limitata dei vettori di consegna, in particolare i virus adeno-associati (AAV), che non riescono a trasportare sequenze genetiche troppo lunghe. Poter ridurre le dimensioni di una proteina terapeutica significherebbe aprire nuove possibilità per terapie oggi impraticabili per semplici ragioni di spazio. Raygun si inserisce in un panorama già ricco di strumenti AI per la progettazione proteica, tra cui i celebri modelli di de novo design capaci di inventare proteine che non esistono in natura. Singh è però esplicito nel dire che Raygun non compete con questi approcci: li complementa. "Il design de novo riguarda la creazione di qualcosa in una parte completamente nuova dello spazio proteico. Raygun riguarda l'esplorazione dello spazio intorno a una proteina esistente in modo più efficace", spiega Singh. "Potresti creare un design de novo e poi applicarci sopra Raygun per esplorare lo spazio attorno a quel nuovo design specifico." C'è infine una possibilità ancora in sviluppo che ribalta l'intuizione: Raygun può anche espandere le proteine, oltre che rimpicciolirle. Aggiungere un nuovo dominio funzionale a una proteina esistente è un'operazione complessa, e avere uno strumento che suggerisca come farlo in modo coerente con la struttura già presente potrebbe aprire strade interessanti nel campo dell'ingegneria proteica. Singh e il suo team stanno ancora sviluppando questa funzionalità dell'algoritmo.

Lo studio è stato pubblicato su Nature (DOI: 10.1038/s41586-026-10842-8). Il lavoro è stato condotto da Rohit Singh e Scott Soderling della Duke University. Fonte: https://cen.acs.org/physical-chemistry/protein-folding/New-AI-based-program-shrink/104/web/2026/07