Un nuevo método combina inteligencia artificial generativa y técnicas cuánticas para diseñar secuencias de aminoácidos capaces de adherirse a distintos plásticos. El objetivo del nuevo estudio es desarrollar tecnologías basadas en péptidos que ayuden a encontrar, capturar y destruir estas partículas microscópicas que contaminan los ecosistemas y dañan la salud humana.
Los microplásticos, partículas de plástico de menos de 5 mm, son contaminantes que se encuentran ya en todas partes, desde la leche materna hasta la nieve antártica. Un equipo liderado por Fengqi You, de la Universidad de Cornell (EE UU), ha utilizado una serie de herramientas para identificar péptidos capaces de capturar y retener estas diminutas partículas, que podrían utilizarse para eliminarlas de diversos entornos.
Los péptidos son cadenas de aminoácidos con funciones específicas y secuenciables, que pueden destruir los microplásticos al unirse a su superficie y facilitar las reacciones químicas que los descomponen. Sin embargo, no se han identificado aglutinantes peptídicos para muchos plásticos, y su creación supone un reto debido a la falta de datos sobre la adsorción de estos materiales.
El estudio, publicado en Science Advances, presenta los resultados de un método que combina modelos generativos de IA, entrenados para predecir las propiedades de los péptidos, con computación cuántica, que mejora sus diseños para plásticos específicos. Esta técnica permite explorar rápidamente una amplia variedad de secuencias de aminoácidos y acelerar el descubrimiento de nuevos péptidos en comparación con el proceso iterativo de prueba y error.
“Los científicos no disponen de los conjuntos de datos necesarios para trabajar con péptidos dirigidos a microplásticos del mismo modo que lo hacen para algunas aplicaciones médicas, y ahí es donde entra en juego la cuántica”, explica Fengqi You, catedrático Roxanne E. y Michael J. Zak de Ingeniería de Sistemas Energéticos en Cornell.
“En esencia, abordamos el descubrimiento de péptidos adecuados para limpiar microplásticos como un problema de IA, pero utilizamos la cuántica como un refuerzo. Esta tecnología puede evaluar simultáneamente una gran cantidad de posibles secuencias de aminoácidos, algo que no es viable con la computación clásica”, dice You.
Según comenta el autor principal a SINC, “la computación cuántica explora de manera eficiente el vasto espacio combinatorio de las secuencias peptídicas, mientras que la IA orienta esta búsqueda al identificar regiones prometedoras a partir de las relaciones aprendidas entre la estructura del péptido y su afinidad de unión. Al combinar ambas tecnologías, es posible descubrir con mayor rapidez péptidos optimizados para la captura de microplásticos”.
El planteamiento híbrido cuántico-clásico desarrollado en este estudio permitió descubrir péptidos con gran afinidad de unión al tereftalato de polietileno, también conocido como plástico PET, que además conservaban una solubilidad en agua compatible con el medio ambiente, señala la Universidad de Cornell en un comunicado.
“Esta afinidad se debe a la presencia de residuos voluminosos e hidrófobos, como el triptófano y la fenilalanina, que establecen fuertes interacciones de van der Waals [fuerzas de atracción entre moléculas sin enlaces químicos, que pueden estabilizar la unión al plástico]. Estas uniones contrarrestan el efecto desfavorable de la solvatación, lo que refuerza la unión del péptido al plástico”, detalla You a SINC.
Según el investigador, el equipo validó los resultados “mediante extensas simulaciones de dinámica molecular para calcular las energías de unión. Las simulaciones confirmaron la elevada afinidad prevista de los péptidos y proporcionaron confianza antes de los experimentos de laboratorio previstos”.
Estos hallazgos confirmaron “el potencial de los péptidos en futuras aplicaciones en sistemas de tratamiento de aguas, biosensores de microplásticos y microbios artificiales diseñados para degradar plásticos”, señala la institución.
Antes de su aplicación práctica, los péptidos deben validarse experimentalmente en condiciones ambientales realistas, comprobar su estabilidad y solubilidad y optimizar su síntesis a gran escala
“El trabajo llega en un momento en que el potencial transformador de la IA ha sido reconocido en todo el mundo para aplicaciones como la predicción de la estructura de proteínas y otras aplicaciones biológicas y médicas”, agrega You.
El investigador aclara que el método está diseñado para funcionar dentro de las limitaciones actuales de la computación cuántica. Aprovecha las simulaciones en hardware clásico y se mantiene adaptable a los avances de la tecnología cuántica a medida que madura.
También matiza a SINC que “antes de su aplicación práctica, los péptidos deben validarse experimentalmente en condiciones ambientales realistas, comprobar su estabilidad y solubilidad y optimizar su síntesis a gran escala”.
El equipo llevó a cabo una investigación complementaria, también liderada por Fengqi You, que aplicó la computación cuántica, la IA y el modelado biofísico para diseñar péptidos para otros plásticos comunes, como el polietileno y el polipropileno. Ese trabajo, se publicó recientemente en PNAS Nexus.
Referencias:
Raul Conchello Vendrell et al. “Designing microplastic-binding peptides with a variational quantum circuit–based hybrid quantum-classical approach”. Science Advances (diciembre, 2024)
Jeet Dhoriyan et al. “Integrating biophysical modeling, quantum computing, and AI to discover plastic-binding peptides that combat microplastic pollution”. PNAS Nexus (2025)
Las biociencias destacan como el principal sector de innovación española, mientras que las tecnologías de automoción registran el mayor crecimiento. Además, nuestro país lidera la tasa de mujeres inventoras, con un 42 % de solicitudes de patentes que incluyen al menos una mujer, superando ampliamente la media europea del 25 %.
El químico Avelino Corma, investigador ad honorem del CSIC, ha desarrollado catalizadores clave para mejorar la eficiencia de múltiples procesos industriales. Sus avances en el diseño de zeolitas sintéticas han permitido reducir el consumo energético y minimizar el impacto ambiental de reacciones químicas esenciales en sectores como la petroquímica, la energía o la farmacéutica.
