Robots, computadoras y algoritmos están buscando nuevas terapias potenciales de maneras que los humanos no pueden: procesando enormes volúmenes de datos y construyendo moléculas nunca antes imaginadas.
EN UN VIEJOEn una fábrica de galletas del sur de Londres, las mezcladoras gigantes y los hornos industriales han sido sustituidos por brazos robóticos, incubadoras y máquinas de secuenciación de ADN. James Field y su empresa LabGenius no están haciendo dulces; Están ideando un enfoque revolucionario impulsado por inteligencia artificial para diseñar nuevos anticuerpos médicos.
En la naturaleza, los anticuerpos son la respuesta del cuerpo a las enfermedades y sirven como tropas de primera línea del sistema inmunológico. Son hebras de proteína que tienen una forma especial para adherirse a invasores extraños y poder eliminarlos del sistema. Desde la década de 1980, las empresas farmacéuticas han estado fabricando anticuerpos sintéticos para tratar enfermedades como el cáncer y reducir las posibilidades de que los órganos trasplantados sean rechazados.
Pero diseñar estos anticuerpos es un proceso lento para los humanos: los diseñadores de proteínas deben explorar millones de combinaciones potenciales de aminoácidos para encontrar aquellas que se plegarán exactamente de la manera correcta y luego probarlas todas experimentalmente, ajustando algunas variables para mejorar. algunas características del tratamiento, esperando que 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, fundador y director ejecutivo de LabGenius.
Fundó la empresa en 2012 cuando, mientras estudiaba 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 disminuían. 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 sistemas robóticos automatizados los construyen y cultivan en el laboratorio, ejecutan pruebas y devuelven los datos al algoritmo, todo ello con supervisión humana limitada. Hay salas para cultivar células enfermas, desarrollar anticuerpos y secuenciar su ADN: técnicos en batas de laboratorio preparan muestras y teclean en las computadoras mientras las máquinas zumban de fondo.
Los científicos humanos comienzan identificando un espacio de búsqueda 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 lugar del infinito espacio de búsqueda de opciones potenciales. LabGenius ha desarrollado un modelo de aprendizaje automático que puede explorar ese espacio de forma mucho más rápida y eficaz. «La única información que usted le da al sistema como ser 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 diferenciarlos».
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 con mayor profundidad. Piense en elegir el automóvil perfecto entre un campo de miles: puede comenzar eligiendo un color amplio y luego filtrar a partir de ahí en tonos específicos.
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 someten a prueba en ensayos biológicos: muestras. del tejido enfermo para el que han sido diseñados. Los humanos supervisan el proceso, pero su trabajo consiste principalmente en mover muestras de una máquina a la siguiente.
La receta de LabGenius para nuevas inmunoterapias
Diseño
Un modelo de aprendizaje automático diseña anticuerpos basándose en instrucciones vagas de científicos humanos (para reducir el espacio de búsqueda) y en conocimientos de ciclos de aprendizaje anteriores mediante un proceso llamado optimización bayesiana.
Construir
Se crean y validan moléculas de ADN para los anticuerpos, y luego los anticuerpos se cultivan dentro de células de mamíferos o bacterianas antes de ser purificados, listos para la siguiente etapa; la automatización robótica ayuda a acelerar el proceso.
Prueba
Los ensayos basados en células relevantes para enfermedades se cultivan en el laboratorio y se utilizan como campo de pruebas para los anticuerpos, con un rendimiento mucho mayor que permite probar 768 anticuerpos a la vez. Cada prueba tiene un código de barras que permite al sistema rastrearla.
Aprender
Los datos experimentales se retroalimentan al modelo de aprendizaje automático, que ayuda a guiar el diseño del siguiente lote de 700 anticuerpos. Esta combinación de aprendizaje automático y experimentos del mundo real aumenta 35 veces la cantidad de anticuerpos comprobables.
«Cuando se tienen los resultados experimentales de ese primer conjunto de 700 moléculas, esa información se devuelve 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, equilibrando cuidadosamente la explotación de diseños potencialmente fructíferos con la exploración de nuevas áreas.
«Un desafío con la ingeniería de proteínas convencional es que, tan pronto como encuentras algo que funciona un poco, tiendes a hacer una gran cantidad de ajustes muy pequeños a esa molécula para ver si puedes refinarla aún más», dice Field. Esos ajustes pueden mejorar una propiedad (por ejemplo, la facilidad con la que se puede producir el anticuerpo a escala), pero tienen un efecto desastroso en muchos otros atributos necesarios, como la selectividad, la toxicidad, la potencia y más. El enfoque convencional significa que es posible que estés ladrando al árbol equivocado o que te estés perdiendo la madera para los árboles, optimizando infinitamente algo que funciona un poco, cuando puede haber opciones mucho mejores en una parte completamente diferente del mapa.
También estás limitado por la cantidad de pruebas que puedes realizar, o la cantidad de “tiros a portería”, como dice Field. Esto significa que los ingenieros de proteínas humanas tienden a buscar cosas que saben que funcionarán. «Como resultado de eso, se obtienen todas estas heurísticas o reglas generales que los ingenieros de proteínas humanas aplican para tratar de encontrar espacios seguros», dice Field. «Pero como consecuencia de eso, rápidamente se acumula el dogma».
Podra leer tambien
.- La Inteligencia Artificial Está Ayudando A Revolucionar La Atención Sanitaria Tal Como La Conocemos.