IA Redesigna Proteínas do Editor Genético para Aumentar a Eficiência do Prime Editing em Quase 3x

A edição de prime (prime editing) apresenta enorme promessa para a correção de doenças genéticas ao reescrever sequências de DNA com precisão, sem criar quebras de dupla fita. No entanto, a otimização de prime editors por meio da evolução laboratorial tradicional encontrou um obstáculo: mutações que melhoram a atividade enzimática frequentemente desestabilizam a proteína e reduzem a quantidade de enzima funcional produzida no interior das células, comprometendo o desempenho no mundo real.

Pesquisadores do laboratório de David Liu no Broad Institute enfrentaram esse problema aplicando design de proteínas guiado por IA. Utilizando o ProteinMPNN, uma rede neural de inverse-folding informada por estrutura, eles redesenharam sistematicamente os domínios de transcriptase reversa (RT) de prime editors já evoluídos. O objetivo era encontrar sequências de aminoácidos que se dobrem de forma estável na estrutura tridimensional correta, preservando as regiões catalíticas essenciais para a função. As enzimas redesenhadas apresentavam entre 30 e 163 substituições de aminoácidos em comparação com seus predecessores evoluídos.

Os resultados foram notáveis. As variantes de RT redesenhadas demonstraram maior estabilidade de dobramento e expressão solúvel, e entregaram níveis intracelulares de proteína do prime editor até duas vezes mais elevados quando introduzidas via entrega de mRNA. Em múltiplos tipos de células primárias humanas e por meio de diversas modalidades de entrega, os novos editores PE8 superaram consistentemente as versões anteriores.

Em estudos com camundongos, os prime editors PE8 redesenhados alcançaram eficiências de edição até 2,9 vezes superiores às dos editores PE6, PE7 e PEmax de última geração — os atuais benchmarks na área. Isso representa um avanço significativo para aplicações de terapia gênica in vivo.

A implicação mais ampla é que o redesign de proteínas guiado por IA pode funcionar como uma segunda camada generalizável sobre a evolução laboratorial, recuperando perdas de estabilidade e expressão que de outra forma limitariam o desempenho. Esse pipeline poderia acelerar o desenvolvimento de editores genéticos de próxima geração para o tratamento de doenças hereditárias. As ressalvas incluem dados públicos limitados além do resumo e questões não resolvidas sobre segurança a longo prazo e perfis de edição fora do alvo.