Un equipo liderado por la investigadora del CONICET Cristina Marino-Buslje desarrolló AggrescanAI, un software que usa inteligencia artificial (IA) para detectar, desde la secuencia de una proteína, qué zonas tienden a formar agregados tóxicos. Esas regiones propensas a la agregación están asociadas a enfermedades neurodegenerativas como Alzheimer, Parkinson y ELA. La herramienta es gratuita y apunta a acelerar investigación biomédica con impacto directo en salud pública y costos.
El problema de estudio es conocido, pero difícil de atacar, y es que muchas de estas patologías se relacionan con proteínas que se pliegan mal y terminan acumulándose en el cerebro. Detectar temprano qué partes de una proteína disparan ese proceso es clave para diseñar diagnósticos, estudiar mutaciones y probar terapias. En ese marco, el desarrollo se publicó en Journal of Molecular Biology y se realizó en colaboración con el grupo de Salvador Ventura, de la Universidad Autónoma de Barcelona, con Álvaro M. Navarro como primer autor.
La inteligencia artificial, el futuro de la medicina
Lo más novedoso de AggrescanAI es cómo usa IA para interpretar una proteína a partir de su secuencia. En lugar de aplicar reglas fijas sobre tramos aislados, se apoya en ProtT5, un modelo entrenado con millones de secuencias, que aprende patrones estadísticos y dependencias entre aminoácidos. ProtT5 transforma cada posición de la secuencia en una representación numérica (“embedding”) que resume el entorno local y lejano de ese aminoácido dentro de la proteína. Con esa información, el sistema puede estimar la propensión a agregarse residuo por residuo directamente desde la secuencia, sin necesitar reconstrucciones estructurales 3D que suelen ser costosas y lentas.
Esa diferencia es clave porque muchas herramientas previas trataban la secuencia de forma más lineal y rígida. Al incorporar contexto, AggrescanAI escala mejor, permitiendo evaluar miles de proteinas de manera virtual, algo especialmente útil para laboratorios con menos acceso a equipamiento.
Además de identificar regiones problemáticas, la herramienta puede evaluar el efecto de mutaciones. Si un cambio en la secuencia aumenta la probabilidad de agregación, ese dato ayuda a priorizar variantes y orientar hipótesis clínicas. En la práctica, funciona como un filtro temprano, que decide qué vale la pena llevar a experimentos más caros y largos.
La accesibilidad también es parte del diseño. AggrescanAI se ofrece como un cuaderno de Google Colab, donde el usuario pega la secuencia, ejecuta y obtiene el análisis sin montar infraestructura propia. El código está publicado en un repositorio abierto, lo que facilita que otros grupos lo prueben, lo auditen y lo adapten.
El mapa global de software para predecir agregación proteica
A nivel internacional, hoy hay dos líneas fuertes de herramientas para analizar proteínas con IA. Una apunta a modelar estructura 3D e interacciones, con referentes como el ecosistema AlphaFold, útil cuando la pregunta depende de la forma de la proteína. La otra apunta a predecir propiedades directamente desde la secuencia, sin estructura, con herramientas clásicas de agregación como TANGO, WALTZ, PASTA, entre otras. En ese ecosistema, AggrescanAI entra la tendencia más nueva, de usar modelos de lenguaje de proteínas para captar contexto y mejorar predicciones finas, residuo por residuo.
Que AggrescanAI haya sido liderado desde Argentina y se publique como herramienta abierta y gratuita pone al desarrollo local en una liga exigente: software científico de IA, validado y usable por cualquier laboratorio. En un campo donde la infraestructura y el conocimiento suelen concentrarse, este tipo de aporte amplía el acceso, acelera la investigación y muestra que desde acá se puede producir tecnología competitiva con proyección global.
Tal vez te interese: El CONICET explora los mares argentinos y descubre nuevas especies en el cañón de Mar del Plata
