por 
¿Por qué es tan importante este avance?
Los anticuerpos son piezas clave del sistema inmunológico, y su capacidad para reconocer y neutralizar amenazas depende de regiones «hipervariables». Estas regiones, ubicadas en las puntas de la estructura en forma de Y del anticuerpo, pueden variar enormemente en su secuencia, haciendo difícil predecir sus estructuras utilizando métodos convencionales basados en IA.
Este nuevo modelo, conocido como AbMap, emplea módulos entrenados específicamente en secuencias y estructuras de estas regiones hipervariables. Con este enfoque, los investigadores pueden analizar millones de posibles variantes de anticuerpos, identificando las que tienen más probabilidades de neutralizar patógenos como el SARS-CoV-2.
¿Cómo funciona?
El modelo AbMap utiliza datos de dos fuentes principales:
- Secuencias de Anticuerpos: Más de 3,000 estructuras de anticuerpos fueron usadas para entrenar el modelo en patrones comunes de secuencia y estructura.
- Fuerza de Unión: Datos que correlacionan unas 3,700 secuencias de anticuerpos con su capacidad para unirse a tres tipos diferentes de antígenos.
Esto permite que AbMap no solo prediga estructuras, sino también la eficacia de unión de un anticuerpo a un antígeno específico.
Impacto Real: Ejemplo con SARS-CoV-2
El equipo aplicó AbMap para predecir anticuerpos que neutralizarían la proteína espiga del SARS-CoV-2. Partiendo de una serie de anticuerpos prometedores, generaron millones de variantes modificando las regiones hipervariables. El modelo identificó las estructuras más eficaces, logrando una tasa de éxito experimental del 82% al seleccionar anticuerpos con mejor capacidad de unión.
Este enfoque tiene implicaciones económicas y estratégicas para la industria farmacéutica, al reducir los costos asociados con llevar medicamentos ineficaces a ensayos clínicos.
¿Qué sigue?
Los investigadores del MIT también planean usar AbMap para analizar repertorios de anticuerpos individuales, explorando por qué algunas personas responden mejor que otras a enfermedades como el VIH o el COVID-19. Este enfoque podría proporcionar respuestas a preguntas como:
- ¿Por qué algunos individuos nunca se infectan con VIH a pesar de la exposición?
- ¿Por qué el COVID-19 afecta severamente a unas personas y a otras no?
¿Qué dice la ciencia detrás del avance?
Bonnie Berger, profesora del MIT y coautora principal del estudio, resalta el potencial del modelo:
«Nuestro método nos permite escalar hasta un punto en el que realmente podemos encontrar las agujas en el pajar. Esto podría ahorrar mucho dinero a las farmacéuticas evitando invertir en opciones incorrectas.»
Por otro lado, Rohit Singh, otro autor del estudio, enfatiza cómo este modelo combina la escalabilidad de la predicción basada en secuencias con la precisión de las estructuras, un modelo de lenguaje como este permite un análisis masivo de secuencias con una precisión cercana al análisis estructural.
El modelo AbMap es un ejemplo de cómo la inteligencia artificial puede revolucionar la biomedicina. Este avance no solo abre la puerta a terapias más eficaces contra enfermedades infecciosas, sino que también ofrece una herramienta poderosa para entender mejor la respuesta inmunológica humana. Financiado por instituciones como Sanofi y el Jameel Clinic para el Aprendizaje Automático en Salud, el futuro del desarrollo de medicamentos podría ser más rápido y preciso gracias a innovaciones como esta.
