¿La inteligencia artificial podría acelerar el desarrollo de nuevos tratamientos médicos?

La pandemia por el coronavirus desató una carrera por el desarrollo de tratamientos seguros y eficaces contra la enfermedad COVID-19. Muchas de las intervenciones que se evaluaron en ensayos clínicos se basaron en moléculas de anticuerpos que fueron aisladas de la sangre de personas que se habían recuperado de la enfermedad.

En cambio, ahora grupos de científicos trabajan en hacer que la inteligencia artificial generativa aporte un atajo para eludir parte de ese laborioso proceso. Esa tecnología puede sugerir cuáles son secuencias que aumentan la potencia de los anticuerpos contra virus como el coronavirus SARS-CoV-2 y el virus del ébola.

Uno de los estudios fue realizado en los Estados Unidos y publicado en la revista Nature Biotechnology. Forma parte de un intento de las “redes neuronales” que están detrás de la plataforma de inteligencia artificial ChatGPT al diseño de anticuerpos.

Hoy, ya los tratamientos en base a anticuerpos contra enfermedades como el cáncer de mama o la artritis reumatoide generan más de 100.000 millones de dólares en ventas mundiales cada año.

Los investigadores esperan que las redes neuronales capaces de crear textos, imágenes y otros contenidos a partir de patrones aprendidos aceleren el desarrollo y ayude a descubrir anticuerpos para blancos terapéuticos que se han resistido a los métodos de diseño convencionales.

 “Existe un gran interés por descubrir y diseñar anticuerpos, y por saber cómo mejorarlos”, dijo Peter Kim, bioquímico de la Universidad de Stanford, California, coautor del artículo publicado en Nature Biotechnology.

Los anticuerpos son una de las principales herramientas del sistema inmunitario contra las infecciones. Estas proteínas se han convertido en las preferidas de la industria biotecnológica, en parte porque pueden diseñarse para unirse a casi cualquier proteína imaginable y manipular su actividad.

Pero generar anticuerpos con propiedades útiles y mejorarlas implica “mucho tamizaje de fuerza bruta”, explicó Brian Hie, biólogo computacional de Stanford que también codirigió el estudio.

Para ver si las herramientas de inteligencia artificial generativa podían eliminar parte del trabajo pesado, Hie, Kim y sus colegas utilizaron redes neuronales llamadas modelos del lenguaje de las proteínas. Son similares a los “grandes modelos lingüísticos” en los que se basan herramientas como ChatGPT.

Pero en lugar de alimentarse con grandes volúmenes de texto, los modelos del lenguaje de las proteínas se entrenan con decenas de millones de secuencias de proteínas.

Otros investigadores han utilizado estos modelos para diseñar proteínas completamente nuevas y predecir su estructura con gran precisión. El equipo de Hie utilizó un modelo de lenguaje proteínico -desarrollado por investigadores de Meta AI, parte del gigante tecnológico Meta, con sede en Nueva York- para sugerir un pequeño número de mutaciones de anticuerpos.

El modelo se entrenó con sólo unos pocos miles de secuencias de anticuerpos, de los casi 100 millones de secuencias de proteínas de las que aprendió. A pesar de eso, una proporción sorprendentemente alta de las sugerencias del modelo aumentaron la capacidad de los anticuerpos contra el SARS-CoV-2, el virus de la gripe y el virus de la ébola para unirse a sus blancos terapéuticos.

Las alteraciones de una terapia aprobada para tratar el Ébola y un tratamiento contra el COVID-19 mejoraron la capacidad de las moléculas para reconocer y bloquear las proteínas que estos virus utilizan para infectar las células.

Los investigadores aclararon que evaluaron un anticuerpo que no es eficaz contra la variante del coronavirus Ómicron y sus subvariantes, y es improbable que los cambios guiados por la inteligencia artificial restablezcan su eficacia.

“Se trata de una herramienta que la gente utilizará para mejorar sus anticuerpos”, enfatizó Charlotte Deane, investigadora en inmunoinformática de la Universidad de Oxford, en el Reino Unido. “Creo que es realmente genial”, pero añade que muchos investigadores esperan que, en lugar de limitarse a mejorar los anticuerpos existentes, la inteligencia artificial generativa sea capaz de crear otros totalmente nuevos que se unan a un blanco dirigido.

Esta capacidad podría ayudar a los investigadores a desarrollar fármacos para blancos moleculares que se han resistido a otros enfoques de diseño de anticuerpos, según sostuvo Surge Biswas, cofundador de Nabla Bio, una empresa de Boston, Massachusetts, Estados Unidos, que trabaja en este reto.

Por ejemplo, la IA podría ayudar a abordar los receptores acoplados a proteínas G, una familia de proteínas intercaladas en las membranas celulares que intervienen en trastornos neurológicos, cardiopatías y otras muchas afecciones. Podría también contribuir para el diseño de anticuerpos capaces de captar múltiples blancos, como una proteína tumoral y una célula inmunitaria capaz de destruirla, explicó Biswas.

En marzo pasado, científicos de Absci, una empresa biotecnológica de Vancouver, Washington, informaron de lo que consideran un primer paso hacia la creación de nuevos anticuerpos con inteligencia artificial. Hicieron un trabajo que aún espera revisión de pares (se publicó en el servidor bioRxiv2).

Utilizando un modelo que incorpora secuencias de proteínas, así como datos experimentales, generaron nuevos diseños para varias regiones importantes de un fármaco anticuerpo utilizado para tratar el cáncer de mama.

Un reto clave en el diseño de fármacos completamente nuevos es que su capacidad para reconocer un blanco concreto depende de bucles flexibles en la estructura del anticuerpo. Según los investigadores, estas interacciones han resultado difíciles de modelizar con IA.

El año pasado, el equipo de Possu Huang, de la Universidad de Stanford, desarrolló una herramienta de IA generativa que puede crear proteínas capaces de unirse fuertemente a un objetivo específico -en un caso, venenos de serpiente- utilizando dichos bucles. El mismo planteo podría ayudar a crear nuevos anticuerpos, según Huang, pero podría requerir más datos de los que se dispone actualmente sobre cómo interactúan los anticuerpos con sus blancos terapéuticos.