IA del MIT acelera el desarrollo de vacunas y terapias de ARN
Ingenieros del MIT han presentado una aplicación innovadora de la inteligencia artificial, desarrollando un modelo de aprendizaje automático capaz de diseñar nanopartículas que entregan ARN a las células con una eficiencia sin precedentes. Este avance promete acelerar el desarrollo no solo de vacunas de ARN, similares a las utilizadas contra el SARS-CoV-2, sino también de una nueva generación de terapias basadas en ARN para afecciones que van desde la obesidad hasta la diabetes y otros trastornos metabólicos.
Las vacunas de ARN y muchas terapias de ARN emergentes dependen de sistemas de entrega sofisticados, típicamente pequeñas esferas a base de grasa conocidas como nanopartículas lipídicas (LNP). Estas nanopartículas cumplen un doble papel crítico: proteger el delicado ARN mensajero (ARNm) de la degradación dentro del cuerpo y facilitar su entrada en las células objetivo tras la inyección. Mejorar la eficiencia de estos vehículos de entrega es fundamental para crear vacunas más potentes y para expandir el potencial terapéutico del ARNm, que lleva instrucciones genéticas para producir proteínas beneficiosas en el cuerpo.
Tradicionalmente, la optimización de las formulaciones de LNP ha sido un proceso laborioso y que consume mucho tiempo. Un LNP típico se compone de cuatro ingredientes clave: un colesterol, un lípido auxiliar, un lípido ionizable y un lípido unido a polietilenglicol (PEG). El gran número de combinaciones posibles, que surgen al intercambiar diferentes variantes de cada componente, hace que las pruebas experimentales exhaustivas sean poco prácticas. Reconociendo este cuello de botella, Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y autor principal del estudio, junto con los autores principales Alvin Chan y Ameya Kirtane, recurrieron a la inteligencia artificial.
Su solución innovadora es un nuevo modelo llamado COMET, que se inspira en la arquitectura “transformer” que sustenta grandes modelos de lenguaje como ChatGPT. Mientras que la mayoría de los modelos de IA en el descubrimiento de fármacos se centran en optimizar compuestos individuales, COMET está diseñado de manera única para comprender cómo múltiples componentes químicos interactúan dentro de una nanopartícula para influir en sus propiedades, como su capacidad para entregar ARN de manera efectiva a las células. “Lo que hicimos fue aplicar herramientas de aprendizaje automático para ayudar a acelerar la identificación de mezclas óptimas de ingredientes en nanopartículas lipídicas para ayudar a dirigirse a un tipo de célula diferente o ayudar a incorporar diferentes materiales, mucho más rápido de lo que era posible anteriormente”, explicó Traverso.
Para entrenar a COMET, los investigadores reunieron meticulosamente una biblioteca de aproximadamente 3.000 formulaciones distintas de LNP. Cada una de estas partículas fue probada en laboratorio para cuantificar su eficiencia de entrega de ARN, y los datos resultantes se introdujeron luego en el modelo de aprendizaje automático. Una vez entrenado, a COMET se le encargó predecir nuevas formulaciones que superarían a los LNP existentes. La validación experimental confirmó la destreza del modelo: los LNP predichos por la IA demostraron un rendimiento superior en la entrega de ARNm que codifica una proteína fluorescente a células de piel de ratón en placas de laboratorio, en algunos casos incluso superando a las formulaciones de LNP disponibles comercialmente.
Los investigadores exploraron además la versatilidad de COMET. Entrenaron con éxito el modelo para incorporar un quinto componente —poli beta amino ésteres ramificados (PBAE), un tipo de polímero conocido por su capacidad para entregar ácidos nucleicos— en los LNP, lo que llevó a predicciones para partículas híbridas de rendimiento aún mejor. El modelo también demostró ser experto en predecir LNP optimizados para la entrega a tipos de células específicos, incluidas las células Caco-2 derivadas del cáncer colorrectal. Además, COMET podría pronosticar qué formulaciones de LNP resistirían mejor la liofilización, un proceso de secado por congelación crucial para extender la vida útil de muchos medicamentos.
Esta metodología impulsada por la IA, publicada en Nature Nanotechnology, representa un avance significativo en el descubrimiento de fármacos, ofreciendo una herramienta flexible que puede adaptarse a una amplia gama de preguntas de investigación. El equipo está trabajando activamente para integrar algunas de estas partículas diseñadas por IA en posibles tratamientos para la diabetes y la obesidad, incluidos los miméticos de GLP-1 similares a fármacos como Ozempic. Este esfuerzo es parte de un programa de investigación plurianual financiado por la Agencia de Proyectos de Investigación Avanzados para la Salud de EE. UU. (ARPA-H), dirigido específicamente a la administración oral de tratamientos y vacunas de ARN. Al maximizar la eficiencia de la producción de proteínas dentro de las células, este enfoque promete desarrollar terapias nuevas altamente efectivas, acortando drásticamente el cronograma de desarrollo desde el concepto hasta la aplicación clínica.