Diseñar proteínas que reconocen solo una forma de su diana: AlloGen y la selectividad de conformación aprendida (arXiv, 2026)

Publicado en arXiv el 3 de junio de 2026, AlloGen propone una forma de diseñar proteínas a medida que reconocen solo una forma de su diana — por ejemplo, la versión activa de una enzima, no su versión en reposo. El núcleo del sistema es un evaluador aprendido, Q_θ, entrenado para puntuar la selectividad de conformación de una interfaz entre dos proteínas. Probado en ocho dianas nunca vistas en el entrenamiento, ordena correctamente los candidatos (una correlación de rango media de 0,520) y, conectado a tres generadores de proteínas existentes, aumenta la proporción de candidatos que reconocen la forma deseada. En la calmodulina, péptidos diseñados de novo se unen a la forma «holo» sin unión detectable a la forma «apo». La prueba de que la selectividad de conformación se aprende es elegante y reproducible, pero una sola diana validada en el laboratorio, una métrica indirecta, comparadores débiles y una licencia no comercial la sitúan muy por delante de cualquier fármaco.

El contexto

Diseñar una proteína que se pega a otra — un binder o «ligador» — se ha vuelto una rutina impresionante desde la llegada de modelos generativos como RFdiffusion o BindCraft. Pero estas herramientas casi siempre optimizan una sola cosa: la afinidad, la fuerza con que el ligador se agarra a su diana. Para buena parte de las dianas terapéuticas interesantes, la afinidad no basta. Muchas proteínas cambian de forma según su estado: una enzima quinasa alterna entre una conformación activa y otra inactiva (los biólogos hablan de los estados «DFG-in» y «DFG-out»), un receptor nuclear como el receptor de estrógenos adopta una posición distinta según haya o no un ligando, y un receptor acoplado a proteínas G (GPCR, la mayor familia de dianas farmacológicas) oscila entre formas abierta y cerrada.

Para actuar con precisión sobre la biología, a menudo se quiere un ligador que reconozca solo una de esas formas — la patológica, por ejemplo — e ignore la otra. Un ligador que se agarra a ambos estados, por fuerte que sea, no distingue nada y por tanto no controla nada. Ese es exactamente el vacío que aborda AlloGen: no «unirse fuerte», sino «unirse a la conformación correcta y rechazar la otra». El artículo contrapone dos estados de referencia de una misma proteína: el estado apo (sin su pareja o su ion, a menudo la forma «en reposo») y el estado holo (con su pareja unida, a menudo la forma «activada»).

El método

El trabajo es un preprint de arXiv (2606.05474, categorías q-bio.BM y cs.LG, publicado el 3 de junio de 2026, aún sin revisión por pares). Firmado por un equipo de la Universidad China de Hong Kong y la Universidad de Pensilvania (laboratorio de Pranam Chatterjee), descansa en un diseño modular: separar la generación del esqueleto de la proteína de la evaluación de su selectividad.

El núcleo es el evaluador Q_θ, un graph transformer de interfaz invariante SE(3). Desglosemos: un transformer es el tipo de red que sustenta los grandes modelos de lenguaje; aquí trata la interfaz entre dos proteínas como un grafo (los átomos en contacto y sus enlaces); e «invariante SE(3)» significa que su puntuación no cambia si se rota o traslada el conjunto en el espacio — propiedad imprescindible para razonar sobre estructuras 3D. Q_θ se entrena con un currículo en dos fases. La primera le enseña a juzgar la calidad de una interfaz regresando el DockQ, una puntuación estándar de calidad de acoplamiento. La segunda, por aprendizaje contrastivo (una técnica que aprende a acercar lo que debe ir junto y alejar el resto), le hace discriminar pares apo/holo: la selectividad propiamente dicha. El modelo se apoya en los embeddings del modelo de lenguaje proteico ESM-2 (una representación numérica aprendida de las secuencias).

El banco de pruebas reúne 2.896 complejos receptor-ligador en 65 dianas de 15 familias de proteínas. Sobre todo, la evaluación se hace en ocho dianas apartadas del entrenamiento (las llamadas out-of-distribution): A2AR (un GPCR), BCL-2, la calmodulina (CaM), ERα (el receptor de estrógenos), una integrina, MDM2, PAI-1 y Ran. Como Q_θ es diferenciable e independiente del generador, se conecta a cualquier generador de esqueleto de dos modos: como reranker pasivo (generar, luego puntuar y quedarse con los mejores) o como guía activa que orienta la generación mediante el gradiente. Los autores lo prueban en tres generadores distintos (RFdiffusion, PXDesign, Proteina-ComplexA) y cinco estrategias de guiado: quince combinaciones en total.

Los resultados

En puntuación, Q_θ alcanza una correlación de rango (Spearman) media de 0,520 ± 0,010 entre su nota y la calidad real de interfaz, positiva en las ocho dianas y por encima de 0,5 en cuatro; la segunda fase de entrenamiento eleva la media de 0,481 a 0,520. Para comparar, el mejor comparador clásico (PRODIGY, un estimador de afinidad) se queda en 0,143, y los demás (tamaño de interfaz, densidad del grafo, azar) rondan el cero o el negativo. La especificidad cruzada es nítida: la nota de una diana para su propia conformación supera, en promedio por un factor de 19,8, su nota para las demás. En preferencia de forma, siete de ocho dianas muestran una diferencia holo-menos-apo positiva; la calmodulina y MDM2 alcanzan el 100% y el 98% de preferencia por la forma holo, mientras que la integrina sigue siendo el caso difícil (diferencia de +0,001, 52%, es decir el azar).

En generación, conectar Q_θ eleva la selectividad media de los candidatos a +0,305 en las quince combinaciones. Para la calmodulina, catorce de quince combinaciones dan selectividad positiva, la mejor (RFdiffusion guiado por Langevin) llega a +0,677 con un 88% de candidatos a la vez bien plegados y selectivos; como simple reranker, quedarse con el mejor de diez diseños sube la selectividad a +0,885. Los esqueletos producidos siguen siendo físicamente plausibles (ninguna aberración de Ramachandran, desviación media de longitudes de enlace de 0,005 Å). Los autores no se fían solo de su propia nota: herramientas independientes (Boltz-2, AlphaFold 3, Rosetta, ProteinMPNN) confirman en general la preferencia por la forma buscada.

Por último, la validación en el laboratorio sobre la calmodulina. Mediante interferometría de biocapa (BLI, una medida física de unión), péptidos diseñados de novo se unen a la forma holo de la calmodulina sin unión detectable a la forma apo, y un control deliberadamente mal puntuado no se une. Es la pieza central: la señal calculada se traduce en moléculas reales. Para quien no es del oficio: un ligador selectivo de conformación es una molécula que actuaría solo sobre la forma patológica de una proteína — en teoría, menos efectos fuera de diana. Pero hablamos de cálculos y de una sola proteína en un tubo: sin célula, sin animal, sin farmacocinética, sin criterio terapéutico.

Lo que está bien

Un evaluador reutilizable, conectable a cualquier generador sin reentrenar. La separación entre generación y puntuación no es solo elegante: está demostrada en tres generadores de arquitecturas distintas y cinco modos de guiado. Esta generalidad de ingeniería es rara y útil — la comunidad podrá reutilizar Q_θ tal cual.

Una evaluación honesta fuera de distribución. Las ocho dianas de prueba se apartan del entrenamiento, la matriz de especificidad cruzada (factor 19,8) muestra que el modelo no puntúa a todos igual, y los autores corroboran sus resultados con herramientas de terceros en vez de autoevaluarse. Los pesos del modelo son públicos en Hugging Face (ChatterjeeLab/AlloGen).

Un anclaje experimental. Pocos métodos de diseño generativo incluyen una confirmación física. Los péptidos de calmodulina que se unen a la forma holo y no a la apo, con un control negativo, dan a la demostración un peso que las cifras in silico por sí solas no tendrían.

Lo que está menos bien

Una métrica indirecta (modo de fallo: la métrica engañosa). Q_θ se entrena y evalúa contra el DockQ y una puntuación de selectividad interna, no contra la afinidad real. Una correlación de 0,520 es moderada, no aplastante. Y en todo el banco de pruebas no se miden afinidades físicas: solo la calmodulina pasa por el laboratorio. Las constantes de disociación no aparecen en la versión HTML consultada — así que uno se queda con «unión holo, sin unión apo detectable», sin cifras.

Comparadores débiles (modo de fallo: el comparador sesgado). Las referencias batidas — PRODIGY, tamaño de interfaz, densidad del grafo, azar — son poco exigentes; la más fuerte llega a 0,143. Ninguna comparación con otro evaluador de selectividad aprendido. La nota de 0,520 impresiona primero porque el listón está bajo.

Un banco de pruebas desequilibrado y una generalización por demostrar (modos de fallo: sesgo de diana y fuga de datos). El conjunto está dominado por una diana (Ran suma 2.268 de 2.896 complejos), las familias están desigualmente representadas, y la promesa «fuera de distribución» se debilita si quedan homólogos de las familias probadas en el entrenamiento. La integrina de hecho falla (52%, el azar) y ERα tropieza no en la puntuación sino en la generación. Una sola diana validada físicamente no puede establecer una generalización. Por último, la licencia CC BY-NC-ND 4.0 es no comercial y sin derivados — inutilizable tal cual en un proceso industrial de fármacos.

Lo que cambia

Para la comunidad de investigación, AlloGen establece la selectividad de conformación como una propiedad aprendible y modular, y aporta un evaluador reutilizable más un banco de pruebas que otros podrán batir. Es la apertura creíble de un subcampo — el diseño selectivo de estado — distinto de la carrera por la afinidad.

Para los clínicos, nada hoy. Estamos muy por delante de lo preclínico: ningún candidato terapéutico aquí, ningún dato en célula o animal. El interés es metodológico, no médico a corto plazo.

Para los pacientes y el público, la promesa a largo plazo es la de fármacos que tocarían solo la forma nociva de una proteína, por tanto potencialmente con menos efectos adversos. Pero esa promesa se cuenta en años y en muchas etapas de validación — la distancia entre un péptido selectivo en un tubo y un tratamiento sigue siendo inmensa.

Para profundizar

El preprint completo está en arXiv (2606.05474) y en PDF. Los pesos del modelo se publican en Hugging Face bajo licencia CC BY-NC-ND 4.0. Para situar el método, los generadores de esqueletos que dirige (RFdiffusion, PXDesign, Proteina-ComplexA) y las herramientas de control independientes (AlphaFold 3, Rosetta, ProteinMPNN) son buenos puntos de entrada al diseño de proteínas por aprendizaje profundo.