Investigadores desarrollaron un modelo de aprendizaje automático capaz de identificar mejoras para anticuerpos terapéuticos.
Las terapias con anticuerpos pueden activar el sistema inmunológico para combatir enfermedades como el Parkinson, el Alzheimer y el cáncer colorrectal, sin embargo, son menos efectivas cuando se unen a sí mismos y a otras moléculas que no son marcadores de enfermedades. Una posible solución a esta problemática es la inteligencia artificial (IA) específicamente los algoritmos de aprendizaje automático, ya que pueden encontrar las áreas en los anticuerpos que los hacen propensos a unirse a moléculas no deseadas.
Cuando se desarrollan anticuerpos para tratar enfermedades, es importante que se adhieran a moléculas específicas llamadas antígenos, la tarea de estos es unir moléculas específicas llamadas antígenos a los agentes que causan enfermedades. Al unirse, el anticuerpo inactivo directamente los virus o células dañinos o indica a las células inmunitarias del cuerpo que lo hagan.
Asimismo, también es importante que solo se unan a los antígenos y no a otros elementos o moléculas no dañinas. De igual manera, es importante que los anticuerpos no se adhieran entre sí y se vuelvan muy espesos. Encontrar anticuerpos que hagan todo esto correctamente es una tarea complicada.
Investigadores de la Universidad de Michigan desarrollaron un modelo de IA basado en aprendizaje automático capaz de identificar las posiciones en los anticuerpos que están causando problemas, cambiar sus posiciones y así corregir estos problemas que disminuyen la efectividad de los medicamentos.
Según el Dr. Peter Tessier, investigador de ciencias farmacéuticas y de ingeniería biomédica de la Universidad de Michigan: “estos modelos son útiles porque se pueden aplicar a anticuerpos existentes, a nuevos anticuerpos en desarrollo e incluso a anticuerpos que aún no se han creado”.
En este sentido, según el estudio publicado en Nature Biomedical Engineering, el aprendizaje automático ha aprendido acerca de muchos anticuerpos diferentes, para así determinar cuáles anticuerpos son buenos para unirse a los antígenos y no a otras moléculas. De igual forma el modelo puede determinar cuáles anticuerpos no se pegan entre sí. “El anticuerpo ideal debería hacer tres cosas a la vez: unirse firmemente a lo que se supone que deben hacer, repelerse entre sí e ignorar otras cosas en el cuerpo”, explicó el Dr. Tessier.
Además, según Emily Makowski primera autora del estudio, explorar todos los cambios de un solo anticuerpo lleva hasta dos días de trabajo con este modelo, un tiempo mucho menor a lo que sería medir experimentalmente cada anticuerpo modificado, proceso que lleva meses e incluso años.
“Los modelos del equipo, entrenados a partir de datos experimentales de anticuerpos en fase clínica, pueden identificar cómo modificar los anticuerpos para que cumplan los tres requisitos con una precisión del 78% al 88%. Esto reduce el número de cambios de anticuerpos que los ingenieros químicos y biomédicos tienen que fabricar y probar en el laboratorio”, explica el estudio.
Los autores del estudio resaltan el importante rol del aprendizaje automático para acelerar el desarrollo de fármacos, el cual tiene el potencial de optimizar una nueva generación de anticuerpos terapéuticos. Incluso la Universidad de Michigan y la compañía farmacéutica Sanofi han presentado una solicitud de patente para este método experimental de entrenamiento del algoritmo utilizado en el estudio.
