Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros

Deascargar La Aplicación Móvil




Un analizador de precisión revela las "proteínas camaleónicas" que causan enfermedades

Por el equipo editorial de LabMedica en español
Actualizado el 24 Mar 2026
Imagen: Proceso central que combina simulación de IA con datos reales de RMN (PNAS, 2026. doi.org/10.1073/pnas.2518125123).
Imagen: Proceso central que combina simulación de IA con datos reales de RMN (PNAS, 2026. doi.org/10.1073/pnas.2518125123).

Comprender cómo se comportan las proteínas dentro del organismo es fundamental para descubrir las causas de muchas enfermedades complejas. Aunque la mayoría de las proteínas funcionan en función de estructuras tridimensionales estables, una gran parte de las proteínas humanas carece de una forma fija, lo que las hace extremadamente difíciles de estudiar.

Ahora, investigadores han desarrollado un nuevo método analítico capaz de examinar con precisión estas proteínas esquivas, abriendo nuevas posibilidades para comprender y tratar enfermedades como la demencia, la enfermedad de Parkinson y la diabetes.

La técnica avanzada de análisis de proteínas, desarrollada por un equipo de investigación conjunto del Instituto de Ciencia y Tecnología de Daegu Gyeongbuk (DGIST, Daegu, Corea del Sur) y el Instituto Coreano de Ciencias Básicas (KBSI, Daejeon, Corea del Sur), combina inteligencia artificial (IA), simulaciones por computadora y validación experimental para estudiar proteínas intrínsecamente desordenadas.

Aproximadamente un tercio de las proteínas humanas son intrínsecamente desordenadas, lo que significa que no tienen una estructura tridimensional fija y cambian de forma constantemente. A pesar de su naturaleza inestable, estas proteínas desempeñan funciones cruciales en la señalización y regulación celular. Sin embargo, cuando se pliegan incorrectamente o se agregan de forma anormal, están estrechamente relacionadas con enfermedades neurodegenerativas como el Alzheimer y el Parkinson, así como con afecciones metabólicas como la diabetes tipo 2.

Para estudiar estas proteínas, los investigadores desarrollaron un enfoque analítico híbrido. Primero, generaron decenas de miles de posibles estructuras proteicas utilizando modelos de IA, simulaciones avanzadas y datos estructurales del Protein Data Bank. Estas estructuras candidatas se compararon con datos experimentales reales obtenidos mediante espectroscopia de resonancia magnética nuclear.

Utilizando un método de "máxima entropía", el sistema asignó mayor confianza a las estructuras que coincidían estrechamente con las observaciones experimentales. Este enfoque permitió a los investigadores capturar incluso estructuras intermedias de corta duración que ocurren durante el movimiento de las proteínas, lo que posibilita una representación más precisa de cómo se comportan estas proteínas en condiciones biológicas reales.

La capacidad de observar proteínas intrínsecamente desordenadas a nivel atómico representa un avance significativo en la investigación biomédica. Al rastrear cómo cambian estas proteínas bajo diferentes condiciones, como variaciones de temperatura o mutaciones genéticas, los investigadores pueden comprender mejor cómo los procesos de plegamiento incorrecto contribuyen al desarrollo de enfermedades.

Los hallazgos, publicados en Proceedings of the National Academy of Sciences (PNAS), podrían desempeñar un papel crucial en la identificación de mecanismos de enfermedades y en el diseño de terapias dirigidas para afecciones que durante mucho tiempo han sido difíciles de tratar debido a la naturaleza compleja de estas proteínas.

El equipo de investigación planea ampliar este enfoque mediante el desarrollo de bases de datos estructurales específicas para proteínas desordenadas. En colaboración con instituciones nacionales de investigación, pretenden establecer una versión localizada del Banco de Datos de Proteínas (PDB) centrada en proteínas sin estructura fija. Estos recursos podrían acelerar la investigación sobre comportamientos proteicos previamente inaccesibles y contribuir al desarrollo de nuevos tratamientos para enfermedades neurodegenerativas y metabólicas.

Enlaces relacionados:
DGIST
KBSI

New
Miembro Oro
KIT DE PRUEBA POC PARA H.PYLORI
Hepy Urease Test
New
Miembro Oro
CONTROL DE LA PREECLAMPSIA
Acusera Pre-Eclampsia Control
Automated Urinalysis Solution
UN-9000
CMV CLIA Diagnostic
CLIA CMV IgA Screen Group

Canales

Química Clínica

ver canal
Imagen: El enfoque respalda el diagnóstico de infarto de miocardio en entornos con recursos limitados al reducir los retrasos entre la sospecha clínica y la confirmación bioquímica (Crédito de la imagen: Adobe Stock)

Ensayo portátil de troponina acerca el diagnóstico del infarto a los pacientes

La confirmación oportuna del infarto de miocardio a menudo depende de pruebas de laboratorio que pueden no estar disponibles de inmediato en el punto de atención. Esta brecha entre la sospecha... Más

Microbiología

ver canal
Imagen: Un innovador programa a nivel de condado en Taiwán combina pruebas de detección basadas en el riesgo con atención comunitaria descentralizada para mejorar la detección y el tratamiento de la hepatitis C (Crédito de la imagen: iStock)

Cribado de precisión ayuda a cerrar brechas en diagnóstico y tratamiento de hepatitis C

La hepatitis C sigue siendo una de las principales causas de cirrosis y cáncer de hígado, pero muchas infecciones no se diagnostican ni se tratan porque los sistemas de salud no llegan a... Más

Patología

ver canal
Crédito de imagen: iStock

Herramienta de patología con IA predice riesgo de recaída en cáncer colorrectal en estadio II

El cáncer colorrectal es el cuarto cáncer diagnosticado con mayor frecuencia en Australia y la segunda causa principal de muerte por cáncer, al tiempo que sigue siendo el tercer cáncer... Más

Tecnología

ver canal
Imagen: el panel combina diagnósticos basados ​​en biomarcadores con algoritmos digitales avanzados para permitir una evaluación no invasiva utilizando datos clínicos disponibles de forma rutinaria (Fotografía cortesía de Adobe Stock)

Panel de algoritmos ayuda a evaluar la fibrosis hepática y vigilar el cáncer de hígado

La enfermedad hepática crónica es común y suele progresar de forma silenciosa, lo que aumenta el riesgo de cirrosis y carcinoma hepatocelular cuando no se detecta de manera temprana.... Más
Copyright © 2000-2026 Globetech Media. All rights reserved.