20°C
Los anticuerpos son la respuesta del cuerpo a las enfermedades. Son proteínas producidas por el sistema inmunitario del organismo cuando detecta sustancias dañinas, llamadas antígenos, de las cuales el organismo debe defenderse.
Desde la década de 1980, la ciencia se vale de terapias con anticuerpos para tratar enfermedades como el cáncer.
Sin embargo, diseñar estas terapias es un proceso lento para los humanos: los científicos deben explorar millones de posibles combinaciones de aminoácidos para encontrar las proteínas que se plegarán exactamente de la manera correcta y luego probarlas todas experimentalmente, para ajustar algunas variables o bien mejorar algunas características del tratamiento.
Ahora, mediante el uso de la inteligencia artificial (IA) es posible procesar grandes volúmenes de datos y acelerar el diseño de anticuerpos terapéuticos de próxima generación.
Para hacerlo, robots, computadoras y algoritmos son capaces de procesar grandes volúmenes de datos y construir moléculas altamente efectivas que los humanos ni siquiera pueden imaginar.
El británico James Field dio origen a su empresa LabGenius en 2012 cuando, mientras estudiaba para obtener un doctorado en biología sintética en elImperial College de Londres, imaginó que los costos de secuenciación de ADN, computación y robótica podían reducirse.
“Si desea crear un nuevo anticuerpo terapéutico, en algún lugar de este espacio infinito de moléculas potenciales se encuentra la molécula que desea encontrar”, dijo en una reciente entrevista a Wired.
En la web de la compañía se presenta como “pionero en el desarrollo de una plataforma robótica inteligente (EVA™) que es capaz de diseñar, realizar y, lo que es más importante, aprender de sus propios experimentos”. “Creemos que este enfoque mejorará radicalmente el proceso de descubrimiento de fármacos, acelerando la generación de terapias de anticuerpos avanzadas”, aseguró.
Valiéndose de la secuenciación de ADN, la computación y la robótica LabGenius automatiza el proceso de descubrimiento de anticuerpos. En el laboratorio de Bermondsey, un algoritmo de aprendizaje automático diseña anticuerpos para atacar enfermedades específicas, y luego los sistemas robóticos automatizados los construyen y cultivan en el laboratorio, ejecutan pruebas y retroalimentan los datos al algoritmo, todo con supervisión humana limitada. Hay salas para cultivar células enfermas, desarrollar anticuerpos y secuenciar su ADN.
Para empezar, los científicos humanos comienzan por identificar un espacio debúsqueda de anticuerpos potenciales para abordar una enfermedad en particular: necesitan proteínas que puedan diferenciar entre células sanas y enfermas, adherirse a las células enfermas y luego reclutar una célula inmune para terminar el trabajo. Pero estas proteínas podrían ubicarse en cualquier parte del infinito espacio de búsqueda de posibles opciones.
Esta start up británica desarrolló un modelo de aprendizaje automático que puede explorar ese espacio de manera mucho más rápida y efectiva. Según explicó Field, “la única información que se le da al sistema como ser humano es, aquí hay un ejemplo de una célula sana, aquí hay un ejemplo de una célula enferma; y luego se deja que el sistema explore los diferentes diseños (de anticuerpos) que pueden diferenciarlos”.
Según publicó la revista especializada en tecnología y ciencia estadounidense Wired, “el modelo selecciona más de 700 opciones iniciales de un espacio de búsqueda de 100.000 anticuerpos potenciales y luego los diseña, construye y prueba automáticamente, con el objetivo de encontrar áreas potencialmente fructíferas para investigar más a fondo”.
“Cuando tienes los resultados experimentales de ese primer conjunto de 700 moléculas, esa información se retroalimenta al modelo y se usa para refinar la comprensión del espacio por parte del modelo”, precisó Field.
Esto es, el algoritmo comienza a construir una imagen de cómo los diferentes diseños de anticuerpos cambian la efectividad del tratamiento, y a la vez, en cada ronda posterior de diseños de anticuerpos, mejora y equilibra cuidadosamente la explotación de diseños potencialmente fructíferos con la exploración de nuevas áreas.
Si bien los humanos supervisan el proceso, su trabajo consiste principalmente en mover muestras de una máquina a la siguiente.
Según la publicación, “el enfoque de LabGenius produce soluciones inesperadas en las que los humanos pueden no haber pensado y las encuentra más rápidamente”. Y destacaron que sólo se necesitan seis semanas desde que se establece un problema hasta que se termina el primer lote, todo dirigido por modelos de aprendizaje automático.
LabGenius comenzó a asociarse con compañías farmacéuticas a las que ofrece sus servicios. Para Field, el enfoque automatizado también podría implementarse en otras formas de descubrimiento de fármacos, convirtiendo el largo proceso “artesanal” de descubrimiento de fármacos en algo más simplificado.
Fuente: Infobae
