Un avance revolucionario en la tecnología médica nos llega del prestigioso Massachusetts Institute of Technology (MIT), donde un grupo de ingenieros, utilizando el poder de la inteligencia artificial, ha desarrollado un método que podría acelerar drásticamente el desarrollo de una nueva generación de vacunas y terapias de ARN. En el centro de este descubrimiento se encuentra un modelo avanzado de aprendizaje automático que diseña nanopartículas con una precisión increíble para una entrega más eficiente de moléculas sensibles de ARN directamente a las células humanas. Este enfoque no solo promete un camino más rápido hacia nuevas vacunas, sino que también abre la puerta a tratamientos innovadores para algunos de los mayores desafíos de salud de la actualidad, como la obesidad, la diabetes y otros trastornos metabólicos.

Un equipo de investigadores del MIT ha logrado "enseñar" a un modelo de IA a analizar y comprender las interacciones de miles de partículas existentes para la administración de fármacos. Después de un entrenamiento intensivo, el modelo fue capaz de predecir de forma autónoma combinaciones de materiales completamente nuevas con propiedades mejoradas. Pero sus capacidades van aún más allá. La inteligencia artificial ha permitido a los científicos identificar formulaciones específicas de nanopartículas que son óptimas para diferentes tipos de células y explorar cómo integrar materiales nuevos, hasta ahora no utilizados, en los sistemas existentes. Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y gastroenterólogo en el Brigham and Women's Hospital, quien también es el autor principal del estudio, señala: "Hemos aplicado herramientas de aprendizaje automático para acelerar la identificación de mezclas óptimas de ingredientes en nanopartículas lipídicas. Esto nos permite dirigirnos a diferentes tipos de células o incorporar nuevos materiales mucho más rápido de lo que antes era posible".

Una Revolución en la Administración de Fármacos: ¿Cómo Funcionan las Nanopartículas Lipídicas?

La tecnología del ARN mensajero (ARNm) se hizo mundialmente conocida gracias a las vacunas contra el virus SARS-CoV-2. La clave del éxito de estas vacunas reside en las nanopartículas lipídicas (NPL), microscópicas burbujas de grasa que sirven como vehículos de transporte. Su función es doble: primero, protegen la frágil molécula de ARNm de la degradación en el cuerpo tan pronto como se inyecta y, segundo, la ayudan a atravesar la membrana celular y llegar a su destino dentro de la célula, donde luego se produce la proteína deseada (en el caso de las vacunas, la proteína del virus que estimula una respuesta inmunitaria).

Crear partículas más eficaces es crucial para el desarrollo de vacunas y terapias aún más potentes. Mejores vehículos de administración podrían significar dosis más bajas, menos efectos secundarios y un efecto terapéutico más fuerte. Esto es particularmente importante para el desarrollo de terapias de ARNm que codifican genes para proteínas que podrían tratar una amplia gama de enfermedades. Una nanopartícula lipídica estándar consta de cuatro componentes clave: un lípido ionizable que se une al ARN, colesterol que proporciona estabilidad estructural, un lípido auxiliar que ayuda a liberar la carga útil dentro de la célula y un lípido unido a polietilenglicol (PEG) que evita la agregación de partículas y prolonga su circulación en el torrente sanguíneo. Cada uno de estos componentes puede tener numerosas variantes, lo que crea un número astronómico de combinaciones posibles. El enfoque tradicional, que se basa en probar cada formulación individualmente, es extremadamente lento, costoso e ineficiente. Fue este desafío el que impulsó al equipo del MIT a recurrir a la inteligencia artificial.

COMET: Inteligencia Artificial Inspirada en Modelos de Lenguaje

Para resolver este complejo problema, los investigadores desarrollaron un modelo completamente nuevo llamado COMET (Composition-Oriented Transformer). Alvin Chan, ex becario postdoctoral en el MIT y uno de los autores principales del estudio publicado en la revista Nature Nanotechnology, explica la innovación de su enfoque. "La mayoría de los modelos de IA en el descubrimiento de fármacos se centran en optimizar un solo compuesto, pero ese enfoque no funciona para las nanopartículas lipídicas, que consisten en múltiples componentes interconectados", dice Chan. "Por eso desarrollamos COMET, inspirado en la misma arquitectura de transformador que impulsa los grandes modelos de lenguaje como ChatGPT. Así como estos modelos entienden cómo se combinan las palabras para crear significado, COMET aprende cómo los diferentes componentes químicos se unen en una nanopartícula para influir en sus propiedades, como la eficacia con la que puede administrar ARN a las células".

Para que el modelo "aprendiera" este complejo lenguaje químico, los investigadores primero tuvieron que crear un extenso conjunto de datos para el entrenamiento. Generaron una biblioteca de aproximadamente 3.000 formulaciones de NPL diferentes. El equipo probó rigurosamente cada una de estas 3.000 partículas en el laboratorio para medir su eficiencia en la entrega de carga a las células. Todos los datos recopilados, tanto los intentos exitosos como los fallidos, se introdujeron en el modelo COMET. Después de que el modelo fuera entrenado con este enorme conjunto de datos, los investigadores le dieron una tarea clave: predecir nuevas formulaciones que fueran superiores a todas las existentes en el conjunto de entrenamiento. Los resultados fueron extraordinarios.

Confirmación de la Eficacia y Superación de los Límites

Para verificar las predicciones de la inteligencia artificial, los científicos sintetizaron las nuevas formulaciones que COMET propuso. Luego utilizaron estas nanopartículas para administrar ARNm que codifica una proteína fluorescente en células de piel de ratón cultivadas en condiciones de laboratorio. Al medir la intensidad de la fluorescencia, pudieron cuantificar con precisión cuánto ARNm se entregó y tradujo a proteína con éxito. Se demostró que las nanopartículas lipídicas predichas por el modelo eran, de hecho, significativamente más eficaces no solo que las partículas del conjunto de entrenamiento original, sino que en algunos casos también superaron a las formulaciones de NPL disponibles comercialmente que se utilizan actualmente en la práctica clínica.

Este éxito confirmó que el modelo no solo reconoce patrones en los datos, sino que también posee una especie de "creatividad" para proponer soluciones nuevas y optimizadas, acortando así drásticamente el ciclo de desarrollo que de otro modo llevaría años.

Ampliando las Posibilidades: De Nuevos Materiales a Células Dirigidas

Después de demostrar que el modelo podía predecir con precisión partículas eficaces para la administración de ARNm, los investigadores decidieron probar su versatilidad planteando preguntas adicionales y más complejas. Primero, les interesaba si el modelo podía adaptarse para diseñar partículas que contuvieran un quinto componente: un polímero conocido como poli(beta-aminoéster) ramificado (PBAE). Investigaciones previas del equipo de Traverso habían demostrado que estos polímeros por sí solos pueden administrar ácidos nucleicos de manera eficiente, por lo que surgió la pregunta de si su adición a las NPL podría mejorar aún más el rendimiento. El equipo creó un nuevo conjunto de aproximadamente 300 NPL híbridas que también contenían estos polímeros y las utilizó para un entrenamiento adicional del modelo. El modelo resultante fue capaz de predecir formulaciones híbridas nuevas y aún mejores.

El siguiente paso fue entrenar el modelo para aplicaciones específicas: predecir las NPL que funcionarían mejor en diferentes tipos de células. Se centraron en las células Caco-2, que se derivan de células de cáncer de colon y se utilizan a menudo como modelo para estudiar la absorción de fármacos en los intestinos. También en este caso, el modelo identificó con éxito formulaciones optimizadas para la administración eficiente de ARNm específicamente en estas células, abriendo el camino a terapias dirigidas. Finalmente, los científicos utilizaron el modelo para resolver un problema práctico en la industria farmacéutica: la estabilidad de los medicamentos. Le encargaron la tarea de predecir qué formulaciones de NPL soportarían mejor la liofilización, un proceso de secado por congelación que se utiliza a menudo para prolongar la vida útil de los medicamentos. La capacidad de predecir tales propiedades podría reducir significativamente los costos y los desafíos logísticos asociados con la distribución y el almacenamiento de medicamentos de ARN.

El Futuro de la Medicina Personalizada y Nuevos Objetivos Terapéuticos

El profesor Traverso enfatiza que COMET es más que una herramienta para la optimización única. "Esta es una plataforma que nos permite adaptarla a toda una gama de preguntas diferentes y ayudar a acelerar el desarrollo. Aunque comenzamos con un gran conjunto de datos de entrenamiento, ahora podemos realizar experimentos mucho más enfocados y obtener resultados útiles para problemas muy diferentes", explica. La implementación de tales herramientas de IA representa un cambio de paradigma en la investigación y el desarrollo farmacéuticos.

Su equipo ahora está trabajando activamente en la aplicación de algunas de estas partículas de nuevo diseño en el desarrollo de posibles tratamientos para la diabetes y la obesidad. Estos objetivos son parte de un programa de investigación de varios años financiado por la Agencia de Proyectos de Investigación Avanzada para la Salud (ARPA-H) de EE. UU., uno de cuyos ambiciosos objetivos es el desarrollo de formas orales de terapias de ARN, es decir, medicamentos que podrían tomarse en forma de tableta. Las terapias que podrían administrarse con este enfoque también incluyen miméticos de GLP-1, una clase de medicamentos similares al popular Ozempic, que alentarían al cuerpo a producir proteínas terapéuticas por sí mismo, ofreciendo una solución más duradera y potencialmente más segura para el tratamiento de enfermedades metabólicas.