Publicación:

Explorando la precisión de AlphaFold en la predicción de estructuras de α-conotoxinas frente a referencias del PDB

Resumen

Las α-conotoxinas, una subfamilia de las conotoxinas, son pequeños péptidos derivados del veneno del caracol marino Conus y destacan por su interés farmacológico como antagonistas de canales iónicos y receptores neuronales. Sin embargo, su estudio plantea desafíos debido a su reducido tamaño y la presencia de puentes disulfuro, que son esenciales para su estabilidad y función biológica. En este trabajo se evaluó la precisión de AlphaFold 3.0 (AF3) para predecir la estructura de diez α- conotoxinas, comparando los resultados con estructuras experimentales del Protein Data Bank (PDB) y modelos previos de la AlphaFold Database (AFDB). Los resultados muestran que AF3 alcanza una precisión sobresaliente, con valores de RMSD inferiores a 1,0 Å en el 80% de los casos, respaldados por altos niveles de confianza (pLDDT mayores a 92). Un hallazgo especialmente relevante fue la capacidad de AF3 para corregir errores en la formación de puentes disulfuro presentes en modelos anteriores, logrando mayor exactitud química en toxinas como EI, GI, ImI, MII, PnIA y Vc1.1. Además, el análisis de la α-conotoxina RgIA (RMSD: 3,051 Å) permitió identificar distintas formas conformacionales, lo que sugiere que AF3 tiende a predecir estados de mínima energía compatibles con la flexibilidad observada experimentalmente mediante resonancia magnética nuclear (RMN). En conclusión, AF3 supone un avance significativo en la predicción de la estructura de péptidos pequeños y con alto contenido de cisteínas. Los resultados obtenidos en este trabajo avalan el uso de herramientas bioinformáticas de última generación para el modelado de novo de toxinas marinas, y muestran su utilidad para apoyar estudios estructurales y funcionales posteriores. Además, la capacidad de AF3 para replicar fielmente las características estructurales clave de las α-conotoxinas destaca el valor de estos enfoques para futuras investigaciones en áreas como la química computacional y la biología estructural.