La IA está construyendo anticuerpos altamente efectivos que los humanos ni siquiera pueden imaginar

Los robots, las computadoras y los algoritmos están buscando nuevas terapias potenciales de una manera que los humanos no puedan, al procesar grandes volúmenes de datos y construir moléculas previamente no imaginadas.




En una vieja fábrica de galletas en el sur de Londres, mezcladoras gigantes y hornos industriales han sido reemplazados por brazos robóticos, incubadoras y máquinas de secuenciación de ADN. James Field y su compañía LabGenius no están haciendo golosinas; están preparando un enfoque revolucionario impulsado por IA para diseñar nuevos anticuerpos médicos.

En la naturaleza, los anticuerpos son la respuesta del cuerpo a la enfermedad y sirven como tropas de primera línea del sistema inmunitario. Son hebras de proteínas que tienen una forma especial para adherirse a los invasores extranjeros para que puedan eliminarse del sistema. Desde la década de 1980, las compañías farmacéuticas han estado fabricando anticuerpos sintéticos para tratar enfermedades como el cáncer y para reducir la posibilidad de que los órganos trasplantados sean rechazados.

Pero diseñar estos anticuerpos es un proceso lento para los humanos
  los diseñadores de proteínas deben atravesar los millones de combinaciones potenciales de aminoácidos para encontrar los que se doblarán exactamente a la derecha de manera, y luego pruébalos a todos experimentalmente, ajustando algunas variables para mejorar algunas características del tratamiento mientras espera que eso no lo empeore de otras maneras. “Si desea crear un nuevo anticuerpo terapéutico, en algún lugar de este espacio infinito de moléculas potenciales se encuentra la molécula que desea encontrar”, dice Field, el fundador y CEO de LabGenius.

Comenzó la compañía en 2012 cuando, mientras estudiaba para un doctorado en biología sintética en el Imperial College de Londres, vio que los costos de la secuenciación del ADN, la computación y la robótica bajaban. LabGenius utiliza los tres para automatizar en gran medida 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, realizan pruebas, y alimentar los datos nuevamente al algoritmo, todo con supervisión humana limitada. Hay salas para cultivar células enfermas, cultivar anticuerpos y secuenciar su ADN: los técnicos en batas de laboratorio preparan muestras y aprovechan las computadoras mientras las máquinas giran en el fondo.

Los científicos humanos comienzan identificando un espacio de búsqueda de anticuerpos potenciales para combatir 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 sentarse en cualquier lugar en el espacio de búsqueda infinito de opciones potenciales. LabGenius ha desarrollado un modelo de aprendizaje automático que puede explorar ese espacio de manera mucho más rápida y efectiva. “La única entrada que le das al sistema como humano es, aquí hay un ejemplo de una célula sana, aquí hay un ejemplo de una célula enferma”, dice Field. “ Y luego dejas que el sistema explore los diferentes diseños de anticuerpos que pueden diferenciar entre ellos. ”

El modelo selecciona hya 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 en mayor profundidad. Piense en elegir el automóvil perfecto entre un campo de miles: puede comenzar eligiendo un color amplio y luego filtrar desde allí en tonos específicos.


 James Field, fundador y CEO de LabGenius.


Las pruebas están casi completamente automatizadas, con una variedad de equipos de alta gama involucrados en la preparación de muestras y su ejecución a través de las diversas etapas del proceso de prueba: Los anticuerpos se cultivan en función de su secuencia genética y luego se ponen a prueba en ensayos biológicos muestras del tejido enfermo para el que han sido diseñados. Los humanos supervisan el proceso, pero su trabajo es en gran medida mover muestras de una máquina a la siguiente.

“Cuando tiene los resultados experimentales de ese primer conjunto de 700 moléculas, esa información se retroalimenta al modelo y se utiliza para refinar la comprensión del espacio por parte del modelo”, dice Field. En otras palabras, el algoritmo comienza a construir una imagen de cómo los diferentes diseños de anticuerpos cambian la efectividad del tratamiento con cada ronda posterior de diseños de anticuerpos, mejora, equilibrar cuidadosamente la explotación de diseños potencialmente fructíferos con la exploración de nuevas áreas.

“ Un desafío con la ingeniería de proteínas convencional es, tan pronto como encuentre algo que funcione un poco, tiende a hacer una gran cantidad de ajustes muy pequeños a esa molécula para ver si puede refinarla aún más, dice el campo ”. Esos ajustes pueden mejorar una propiedad con qué facilidad se puede hacer el anticuerpo a escala, por ejemplo, pero tienen un efecto desastroso en los muchos otros atributos requeridos, como selectividad, toxicidad, potencia, y más. El enfoque convencional significa que puede estar cortando el árbol equivocado o perder la madera de los árboles optimizando sin cesar algo que funciona un poco, cuando puede haber opciones mucho mejores en una parte completamente diferente del mapa.

También está limitado por la cantidad de pruebas que puede ejecutar, o la cantidad de “ disparos en la portería”, como dice Field. Esto significa que los ingenieros de proteínas humanos tienden a buscar cosas que saben que funcionarán. “Como resultado de eso, obtienes todas estas heurísticas o reglas generales que los ingenieros de proteínas humanos hacen para tratar de encontrar los espacios seguros", dice Field. “Pero como consecuencia de eso, rápidamente obtienes la acumulación de dogma.”


No hay comentarios:

Publicar un comentario