Mejorar la receta de un plato complejo es un arte delicado, sobre todo si solo puedes probar unas pocas variantes al día. Cambiar los ingredientes al azar es arriesgado: quitas la sal o la levadura y la base se echa a perder. Algo parecido ocurre con las proteínas: las mutaciones aleatorias suelen romper partes vitales, y cada prueba de laboratorio cuesta tiempo y dinero.

El nuevo enfoque, llamado SILO, actúa de otra manera. Divide cada cambio en dos pasos: primero elige una posición en la cadena de la proteína y luego decide qué aminoácido colocar allí. Esto recuerda a reparar un motor: el mecánico no cambia todas las piezas en fila, sino que busca el componente específico que falla y le busca el repuesto adecuado. Además, SILO usa un truco ingenioso: la 'prueba de alanina'. Sustituye temporalmente la posición por el ladrillo más simple (alanina) para ver cuán importante es para el funcionamiento de la proteína. Así, el algoritmo evita tocar los puntos críticos.

Durante la búsqueda, SILO acumula experiencia. En cada ronda genera varias variantes, las prueba en un modelo computacional y recuerda las más exitosas. Luego aprende a imitar esos movimientos ganadores, sin intentar predecir la 'puntuación' exacta de cada cambio, porque esas puntuaciones suelen ser ruidosas y confusas. Este enfoque se parece al aprendizaje de un cocinero: en lugar de calcular la temperatura perfecta del horno con fórmulas, simplemente repite los gestos del chef cuando prepara la mejor versión del plato.

La conclusión es simple: para crear la proteína ideal no hace falta probarlo todo. Basta con recordar tus mejores pasos y sortear con cuidado las zonas frágiles, como un artesano que conoce su herramienta y no estropea la pieza en bruto.