Sensores Generados por IA Abren Nuevos Caminos Para la Detección Temprana de Cáncer

Las nanopartículas recubiertas con sensores moleculares podrían utilizarse para desarrollar pruebas caseras para muchos tipos de cáncer.

Detectar el cáncer en sus etapas tempranas podría reducir dramáticamente las muertes por cáncer, debido a que los cánceres usualmente son más fáciles de tratar cuando se detectan a tiempo. Para aportar a este objetivo, investigadores del MIT y Microsoft utilizan inteligencia artificial para diseñar sensores moleculares para la detección temprana.

Los investigadores desarrollaron un modelo de IA para diseñar péptidos (proteínas cortas) que son el objetivo de las enzimas llamadas proteasas, que son hiperactivas en las células cancerosas. Las nanopartículas recubiertas con estos péptidos pueden actuar como sensores que emiten una señal si las proteasas relacionadas con el cáncer están presentes en cualquier parte del cuerpo.

Dependiendo de las proteasas detectadas, los médicos podrían diagnosticar el tipo específico de cáncer presente. Estas señales podrían detectarse mediante una simple prueba de orina que incluso podría realizarse en casa.

“Nos centramos en la detección ultrasensible en enfermedades como las primeras etapas del cáncer, cuando la carga tumoral es pequeña, o en las primeras etapas de la recurrencia tras la cirugía”, afirma Sangeeta Bhatia, profesora de Ciencias de la Salud y Tecnología, Ingeniería Eléctrica e Informática del MIT, y miembro del Instituto Koch para la Investigación Integral del Cáncer del MIT y del Instituto de Ingeniería y Ciencia Médica (IMES por sus siglas en inglés).

Bhatia y Ava Amini (generación del 2016), investigadora principal de Microsoft Research y exalumna de posgrado del laboratorio de Bhatia, son las autoras principales del estudio, que se publica hoy (fecha de publicación original 7 de enero del 2026) en Nature Communications. Carmen Martin-Alonso, doctora (generación del 2023), científica fundadora de Amplifyer Bio, y Sarah Alamdari, científica aplicada sénior de Microsoft Research, son las autoras principales del artículo.

Amplificando las señales del cáncer

Hace más de una década, el laboratorio de Bhatia presentó la idea de utilizar la actividad de la proteasa como indicador del cáncer en sus etapas tempranas. El genoma humano codifica alrededor de 600 proteasas, enzimas que pueden atravesar otras proteínas, incluyendo proteínas estructurales como el colágeno. Comúnmente suelen ser hiperactivas en las células cancerígenas, ya que ayudan a las células a escapar de su ubicación original al atravesar las proteínas de la matriz extracelular, las cuales normalmente las mantiene en su lugar.

La idea de los investigadores fue recubrir nanopartículas con péptidos que pudieran ser marcados por una proteasa específica. Estas partículas podrían entonces ser ingeridas o inhaladas. A medida que viajaban por el cuerpo, si encontraban alguna proteasa relacionada con el cáncer, los péptidos de las partículas se hendirán.

Esos péptidos se secretarían por la orina, donde podrían detectarse utilizando una tira de papel similar a la tira de una prueba de embarazo. Midiendo estas señales se revelaría la hiperactividad de las proteasas en lo profundo del cuerpo.

“Hemos estado desarrollando la idea de que, si se puede crear un sensor con estas proteasas y  multiplexearlas (moleculares), se podrían encontrar señales que indiquen dónde las proteasas estuvieron activas durante las enfermedades. Y debido a que la hendidura de los péptidos es un proceso enzimático, se puede amplificar la señal”, afirma Bhatia.

Los investigadores han utilizado este enfoque para demostrar sensores de diagnóstico para cánceres de pulmón, ovario y colon.

Aún así, en esos estudios, los investigadores utilizaron un método de prueba y error para identificar péptidos que fueran hendidos por ciertas proteasas. En la mayoría de los casos, los péptidos identificados podían ser hendidos por más de una proteasa, lo que significaba que las señales leídas no podían atribuirse a una enzima específica.

Sin embargo, el uso de matrices “multiplexadas” de muchos péptidos diferentes produjo señales de sensores distintivas que resultaron diagnósticas en modelos animales de diversos tipos de cáncer, incluso si se desconocía la identidad precisa de las proteasas responsables de la hendidura.

En su nuevo estudio, los investigadores superaron el proceso tradicional de prueba y error al desarrollar un nuevo sistema de IA, llamado CleaveNet, para diseñar secuencias de péptidos que pudieran ser hendidas de forma eficiente y específica por las proteasas diana de interés.

Los usuarios pueden indicar a CleaveNet criterios de diseño, y CleaveNet generará péptidos candidatos que probablemente se ajusten a dichos criterios. De esta manera, CleaveNet permite a los usuarios ajustar la eficiencia y la especificidad de los péptidos generados por el modelo, abriendo el camino para mejorar la capacidad diagnóstica de los sensores.

“Si sabemos que una proteasa en particular es clave para un cáncer específico y podemos optimizar el sensor para que sea altamente sensible y específico para esa proteasa, esto nos proporciona una excelente señal diagnóstica”, afirma Amini. “Podemos aprovechar el poder de la computación para intentar optimizar específicamente estas métricas de eficiencia y selectividad”.

Para un péptido que contiene 10 aminoácidos, existen alrededor de 10 billones de combinaciones posibles. El uso de IA para explorar ese inmenso espacio permite predecir, probar e identificar secuencias útiles mucho más rápido de lo que los humanos podrían encontrarlas, a la vez que reduce considerablemente los costos experimentales.

Prediciendo la actividad enzimática

Para crear CleaveNet, los investigadores desarrollaron un modelo de lenguaje proteico para predecir las secuencias de aminoácidos de los péptidos, de forma similar a cómo los modelos de lenguaje de gran tamaño pueden predecir secuencias de texto. Para los datos de entrenamiento, utilizaron datos públicos sobre unos 20.000 péptidos y sus interacciones con diferentes proteasas de una familia conocida como metaloproteinasas de matriz (MMP por sus siglas en inglés).

Con estos datos, los investigadores entrenaron un modelo para generar secuencias de péptidos que se predice que serán hendidas por las proteasas. Estas secuencias podrían entonces alimentarse a otro modelo que predijo la eficiencia con la que cada péptido sería hendido por cualquier proteasa de interés.

Para demostrar este enfoque, los investigadores se centraron en una proteasa llamada MMP13, que las células cancerígenas utilizan para atravesar el colágeno y ayudarlas a hacer metástasis desde sus ubicaciones originales. Al activar CleaveNet con MMP13 como objetivo, los modelos pudieron diseñar péptidos que podrían ser hendidos por MMP13 con considerable selectividad y eficiencia. Este perfil de hendidura es particularmente útil para aplicaciones diagnósticas y terapéuticas.

“Cuando configuramos el modelo para generar secuencias eficientes y selectivas para MMP13, se obtuvieron péptidos que nunca se habían observado durante el entrenamiento; sin embargo, estas nuevas secuencias resultaron ser eficientes y selectivas”, afirma Martin-Alonso. “Fue muy emocionante observarlo”.

Este tipo de selectividad podría ayudar a reducir la cantidad de péptidos diferentes necesarios para diagnosticar un tipo determinado de cáncer, identificar nuevos biomarcadores y proporcionar información sobre vías biológicas específicas para su estudio y pruebas terapéuticas, afirman los investigadores.

El laboratorio de Bhatia participa actualmente en un proyecto financiado por ARPA-H para crear reporteros para un kit de diagnóstico casero que podría detectar y distinguir entre 30 tipos diferentes de cáncer en etapas tempranas de la enfermedad, basándose en mediciones de la actividad de las proteasas. Estos sensores podrían incluir la detección no solo de la escisión mediada por MMP, sino también de otras enzimas como las serinas proteasas y las cisteínas proteasas.

Los péptidos diseñados con CleaveNet también podrían incorporarse a terapias contra el cáncer, como los tratamientos con anticuerpos. El uso de un péptido específico para unir un agente terapéutico, como una citocina o un fármaco de molécula pequeña, a un anticuerpo objetivo podría permitir que el medicamento se libere únicamente cuando los péptidos se exponen a las proteasas en el entorno tumoral, mejorando así su eficacia y reduciendo los efectos secundarios.

Más allá de las aplicaciones directas en diagnóstico y terapia, la combinación de los esfuerzos del trabajo de ARPA-H con este marco de modelado podría permitir la creación de un “atlas de actividad proteasa” integral que abarque múltiples clases de proteasas y cánceres. Este recurso podría impulsar aún más la investigación en la detección temprana del cáncer, la biología de las proteasas y los modelos de IA para el diseño de péptidos.

La investigación fue financiada por la Fundación La Caixa, el Centro Ludwig del MIT y el Centro Marble de Nanomedicina del Cáncer.

Nota original: Anne Trafton para Noticias del MIT en Life Science Network

Traducción: Ian Varela