La IA puede diseñar anticuerpos ultrapotentes, pero no siempre sabe elegir los buenos: 511 pruebas a ciegas revelan su capacidad real

Los modelos generativos de anticuerpos pueden proponer miles de secuencias de aminoácidos atractivas, pero la cuestión verdaderamente decisiva para el desarrollo de fármacos es cuántas de ellas pueden unirse firmemente a la diana en el laboratorio y, al mismo tiempo, mantener la estabilidad, una baja agregación y la viabilidad de fabricación. Una prueba prospectiva a ciegas publicada en 《Nature Biotechnology》 evaluó por primera vez esta brecha a gran escala y mediante un proceso experimental unificado: la IA ya puede producir anticuerpos extremadamente potentes en condiciones específicas, pero todavía no es una máquina de descubrimiento de anticuerpos aplicable a todas las etapas.

El desafío AIntibody recibió 511 diseños o predicciones presentados por 29 organizaciones académicas, farmacéuticas, biotecnológicas y tecnológicas. Los participantes abordaron tres tipos de tareas: mejorar la afinidad de anticuerpos a partir de datos de cribado existentes, identificar la mejor secuencia entre grupos de candidatos con CDR3 de cadena pesada similares y diseñar nuevas combinaciones de CDR que no aparecían en la base de datos original. La primera edición de la prueba utilizó como antígeno el dominio de unión al receptor de la proteína de la espícula del SARS-CoV-2, y todas las secuencias candidatas se produjeron posteriormente como IgG completas, en lugar de quedarse únicamente en la fase de puntuación computacional.

El resultado más destacado se observó en la «maduración de afinidad»: cuando los modelos tuvieron acceso a datos de secuenciación de mayor calidad y más cercanos a los utilizados en los procesos reales de desarrollo, pudieron modificar eficazmente anticuerpos existentes. El método AuraBind de Aureka ganó esta tarea; en conjunto, varios equipos produjeron anticuerpos con constantes de disociación inferiores a 100 picomoles y que superaron los umbrales de desarrollabilidad. Esto indica que la IA ya podría reducir el conjunto de candidatos que deben sintetizarse y probarse, ayudando a los investigadores a encontrar con mayor rapidez variantes que merezcan avanzar.

Sin embargo, en la tarea de «elegir el mejor de un grupo de candidatos», la ventaja desapareció rápidamente. Salvo un método de un equipo de la Universidad de Washington, todas las demás estrategias de IA rindieron peor que una selección aleatoria al identificar anticuerpos de alta afinidad; entre todas las propuestas de IA, solo entre el 9,8% y el 13,8% superaron las secuencias de control de sus respectivos grupos, frente al 39% obtenido mediante selección aleatoria. Además, cuando el mismo método ganador se aplicó a otro grupo de secuencias o a otra tarea, por lo general no logró mantener su rendimiento.

El diseño fuera de las bibliotecas de secuencias existentes mostró resultados aún más polarizados. El método de Xencor produjo el diseño ganador del concurso, con una afinidad de 2,9 picomoles, pero el equipo investigador señaló que esta secuencia presentaba un defecto importante que podría impedir que se convirtiera en un candidato clínico. En esta tarea, aproximadamente el 30,4% de las propuestas no se unieron en absoluto al antígeno, mientras que otro 16% sí se unió, pero no superó la evaluación de desarrollabilidad; la coexistencia de unos pocos diseños sobresalientes con una gran cantidad de secuencias fallidas muestra que un récord máximo no representa la capacidad de una plataforma para producir resultados de manera constante.

Esta prueba a ciegas no midió únicamente la fuerza de unión. Los investigadores confirmaron la afinidad y la clasificación mediante resonancia de plasmones superficiales y KinExA, y también examinaron la hidrofobicidad, la autointeracción, la polirreactividad, la temperatura de fusión y la temperatura de agregación. Estos indicadores reflejan si un anticuerpo podría presentar problemas durante la fabricación, el almacenamiento o su uso en seres humanos, y explican por qué «el que se une con más fuerza» no equivale a «el más adecuado para convertirse en fármaco». Equipos ganadores como Aureka y Xencor también hicieron públicos el código o los materiales de los modelos pertinentes, proporcionando una base verificable para futuras comparaciones de métodos.

Los límites del estudio también están claros: todas las tareas se centraron en un único antígeno para el que ya existe una gran cantidad de datos estructurales y de secuencias, y los datos proporcionados eran incluso más abundantes que los disponibles en la misma etapa de un proceso habitual de descubrimiento; la alianza organizadora también participó en la publicación de los resultados, y la prueba a ciegas dependió principalmente de procedimientos organizativos, en lugar de un aislamiento de la información completamente independiente. Por tanto, estos resultados se asemejan más al límite superior de la capacidad de la tecnología actual en condiciones favorables. El diseño de anticuerpos mediante IA ya ha encontrado un ámbito útil, pero para convertirse en una herramienta general fiable todavía necesita pruebas a ciegas repetidas con distintos antígenos y entornos de datos, además de conjuntos mucho más amplios y diversos de datos experimentales sobre afinidad y desarrollabilidad.