Un laboratorio seco es un tipo de laboratorio donde la naturaleza de los experimentos no implica un riesgo significativo. El avance en la tecnología ha transformado la investigación científica, dando así lugar a nuevas formas de experimentación como lo representa a un laboratorio seco o Dry Lab, es un laboratorio donde la naturaleza de los experimentos no implica un riesgo significativo. Esto contrasta con un laboratorio húmedo, donde es necesario manipular diversos tipos de sustancias químicas y existen algunos riesgos biológicos. Un ejemplo de laboratorio seco es aquel donde se realizan análisis matemáticos computacionales o aplicados en un modelo generado por computadora para simular un fenómeno del ámbito físico, utilizando el análisis de datos mediante software especializados. Ejemplo de tales fenómenos incluyen el cambio de estado cuántico de una molécula, el horizonte de sucesos de un agujero negro o cualquier cosa que de otro modo sería imposible o demasiado peligrosa de observar en condiciones normales de laboratorio. Este término también puede referirse a un laboratorio que utiliza principalmente equipos electrónicos, por ejemplo, un laboratorio de robótica. Un laboratorio seco también puede referirse a un espacio de laboratorio para el almacenamiento de materiales secos. El término "laboratorio seco" también puede referirse a la falsificación de resultados en contravención del método científica, o a la realización de una revisión sistemática. +VentajasDesventajasReduce costos de reactivos y materialesDepende de la calidad de los datosPermite analizar grandes volúmenes de datos Requiere software especializado Disminuye riesgos químicos o biológicosNo sustituye completamente la experimentación realFacilita la colaboración remota Necesita validación en laboratorio húmedoResultados más rápidos mediante simulacionesDepende de la energía eléctrica
Química in silico A medida que la capacidad de computación ha crecido exponencialmente, este enfoque de investigación, a menudo denominado in silico (en contraposición a in vitro e in vivo), ha cobrado mayor relevancia, especialmente en el campo de la bioinformática. Más concretamente, dentro de la bioinformática se encuentra el estudio de las proteínas o proteómica, que consiste en la elucidación de sus estructuras y patrones de plegamiento desconocidos. El método habitual para la elucidación de la estructura proteica ha consistido en purificar primero una proteína, cristalizarla y, a continuación, hacer pasar rayos X a través de dicho cristal de proteína purificada para observar cómo se difractan estos rayos X en un patrón específico; un proceso conocido como cristalografía de rayos X. Sin embargo, muchas proteínas, especialmente las que se encuentran en las membranas celulares, son prácticamente imposibles de cristalizar debido a su naturaleza hidrofóbica. Si bien existen otras técnicas, como el diagrama de Ramachandran y la espectrometría de masas, estas por sí solas generalmente no permiten la elucidación completa de la estructura proteica ni de los mecanismos de plegamiento.
Computación Para superar las limitaciones de estas técnicas, proyectos como folding@home y rosetta@home buscan resolver este problema mediante análisis computacional. Este método sirve para determinar la estructura de las proteínas y a esto se le conoce como predicción de la estructura de las proteínas. Si bien muchos laboratorios emplean un enfoque ligeramente diferente, el concepto principal consiste en encontrar una gran cantidad de conformaciones proteicas, y estimar así su estabilidad mediante la energía libre de Gibbs. La proteína tiende a adoptar la conformación con menor ΔG, ya que es la más estable termodinámicamente. Además de buscar la conformación más estable, algunos proyectos como Folding@home también analizan conformaciones con energías relativamente bajas que pueden provocar errores en el plegamiento. Estos errores pueden hacer que las proteínas se agreguen de manera anómala, lo cual está relacionado con enfermedades como la anemia falciforme, trastorno sanguíneo hereditario autosómico causado por una mutación en el gen HBB (intercambio de glutamato por valina) donde la hemoglobina anormal (HbS) deforma los glóbulos rojos tomando forma de media luna y convirtiéndolos en otros más rígidos, frágiles y que su tiempo de vida se acorte.
De esta manera, el estudio computacional no solo permite predecir la estructura de las proteínas, sino también entender problemas asociados a su mal plegamiento. El esquema general de estos proyectos consiste en que un pequeño número de cálculos se procesan y se envían a una computadora, generalmente doméstica, para que esta analice la probabilidad de que una proteína específica adopte una determinada forma o conformación en función de la energía necesaria para que dicha proteína mantenga esa forma. Este método de procesamiento de datos se conoce como computación distribuida. Este análisis se realiza sobre un número extraordinariamente grande de conformaciones diferentes, gracias al apoyo de cientos de miles de ordenadores domésticos, con el objetivo de encontrar la conformación de menor energía posible o el conjunto de conformaciones de menor energía posible en relación con cualquier conformación que sea ligeramente diferente. Aunque es un proceso complejo, el plegamiento de proteínas puede estudiarse analizando la energía libre de Gibbs de muchas conformaciones posibles.
A pesar de que una proteína puede adoptar un número enorme de formas, lo que se explica con la paradoja de Levinthal, que indica que no se puede explorarlas todas al azar, al analizar suficientes casos es posible predecir con buena aproximación cuál será la conformación más estable, es decir, la de menor energía, utilizando métodos de inferencia estadística.
Este análisis suele realizarse en condiciones controladas (in vitro), donde se asume que el plegamiento depende principalmente de las propiedades propias de la proteína. Sin embargo, en sistemas reales también influyen factores como el pH, la temperatura, la concentración de sales y la presencia de chaperonas, que ayudan a que otras proteínas se plieguen correctamente.
Comprender el proceso de plegamiento permite explicar la función de las proteínas, ya que su estructura determina su actividad. Por ejemplo, si intervienen como catalizadores o en procesos de comunicación intracelular, como la interacción entre neurotransmisores y sus receptores, (neuroreceptor-neurotrasmisor). Además, este conocimiento es fundamental para entender cómo ciertas moléculas pueden activar o inhibir proteínas y su relación con diversas enfermedades.
Existen muchas otras vías de investigación en las que se ha implementado el enfoque de laboratorio seco. Otros fenómenos físicos, como el sonido, las propiedades de compuestos recién descubiertos o hipotéticos y los modelos de mecánica cuántica, han recibido recientemente, se debe dar más atención en esta área de enfoque.
Herramientas y Softwares
Para experimentación en laboratorios secos
BLASTT (Basic Local Alignment Search Tool). Es un programa de alineamiento de secuencias ya sea de ADN, ARN o de proteínas, que permite comparar una secuencia de interés, contra una gran cantidad de secuencias que se encuentren en una base de datos, ayudando así a encontrar la secuencia con mayor parecido a la secuencia de interés. Esta herramienta es utilizada para encontrar genes homólogos permitiendo así a una nueva secuencia obtenida compararla con otras secuencias que han sido previamente caracterizadas, para así poder inferir su función. PyMOL: Herramienta que permite la generación de gráficos moleculares multiplataforma, se utiliza para la visualización tridimensional (3D) de proteínas, ácidos nucleicos, moléculas pequeñas, densidades electrónicas, superficies y trayectorias. También esta herramienta permite editar moléculas, realizar trazado de rayos y crear vídeos. Este software, junto con numerosos complementos de Python, se ha desarrollado para mejorar sus funcionalidades y facilitar el diseño de algunos fármacos en PyMOL.
Matlab: Es una herramienta que ayuda a realizar cálculos matemáticos y estadísticos complejos, manipulación de matrices, visualización de datos, que facilitan y agilizan la implementación y experimentación en tiempo real.
Para análisis de datos y programación
AutoDock: Es una herramienta utilizada en laboratorios secos para realizar docking molecular, permitiendo predecir cómo pequeñas moléculas (ligandos) se unen a estructuras tridimensionales como proteínas. El software se compone de dos módulos principales: AutoDock, que simula la interacción entre el ligando y la proteína, y AutoGrid, que calcula las rejillas necesarias para evaluar energéticamente dichas interacciones.
Gaussian: Utilizado en laboratorios secos que permite estudiar moléculas mediante simulaciones por computadora. Su función principal es resolver la ecuación de Schrödinger molecular, lo que permite predecir cómo es una molécula y cómo se comporta. A partir de estos cálculos, el programa obtiene propiedades como la energía, la forma y la distribución de los electrones, facilitando el análisis y diseño de compuestos químicos sin necesidad de realizar experimentos en laboratorio.
GROMACS: Software de código abierto empleado en laboratorios secos para realizar simulaciones de dinámica molecular, permitiendo estudiar el comportamiento de átomos y moléculas a lo largo del tiempo. Estas simulaciones se basan en el cálculo de las fuerzas e interacciones entre partículas, lo que permite actualizar sus posiciones y describir su evolución en sistemas complejos.
Aplicaciones Existen diversas áreas de estudio en las que se ve aplicado el uso del término de DRY LAB de forma práctica, por ejemplo, en bioinformática se implementa para el análisis de secuencias de ADN y ARN, proteínas e incluso la interpretación de genes porque existen herramientas y software que permiten la secuenciación masiva que ayudan a determinar de donde provienen mutaciones que ocasionan enfermedades y así el desarrollo de nuevos métodos médicos. Como se mencionó anteriormente Dry Lab permite el desarrollo en la industria farmacéutica porque también es posible la implementación de simulaciones moleculares para evaluar la predicción de compuestos para la posterior síntesis de forma física con el objetivo de reducir de forma significativa el tiempo y la inversión en costos en el desarrollo de nuevos medicamentos, además de que se utilizan modelos computacionales para el diagnóstico y las posibles respuestas a diversos tratamientos. En la industria química es de gran ayuda porque aporta las herramientas para la optimización de procesos industriales como la modelación de reactores o balances de materia y energía.
Práctica en laboratorio seco Uno de los casos en los que se ve implementado el laboratorio seco es el desarrollo y descubrimiento de nuevos medicamentos, previo a realizar pruebas dentro de un laboratorio húmedo o ensayos clínicos. Se utilizan diversas herramientas y softwares como las mencionadas anteriormente para analizar compuestos químicos y predecir cuales tienen mayor probabilidad de funcionar en contra de una enfermedad específica.
Las etapas que se llevan a cabo en la experimentación dentro de un laboratorio seco comienza mediante la identificación del objetivo biológico seleccionando así una molécula del organismo a estudiar que este estrechamente relacionada con la enfermedad de interés ya sea una enzima o proteína, debido a que será el objetivo en donde se buscara actuar un posible medicamento. Posterior a eso se debe realizar el diseño y selección de los compuestos necesarios con ayuda de bases de datos como NCBI, UniProt, Pub Chem y Protein Data Bank para analizar miles o millones de moléculas que pueden interactuar con el objetivo de interés, paso que se define como cribado virtual.