← Volver al inicio

El mercado del diseño de proteínas con IA se calienta, de la imaginación algorítmica a la mesa de laboratorio automatizada

Un informe sectorial prevé que el diseño de proteínas asistido por computadora se expandirá con rapidez gracias a la IA y la automatización; la verdadera prueba no está en la velocidad de generación, sino en si las proteínas candidatas pueden ser sostenidas, capa por capa, por la experimentación, la fabricación y la regulación.

By SURL BioNews

Las proteínas fueron consideradas alguna vez las máquinas moleculares más difíciles de domesticar en los sistemas vivos: un cambio sutil en la forma puede hacer que la función sea completamente distinta. Hoy, los modelos de IA y las plataformas experimentales automatizadas han llevado este asunto al frente industrial, permitiendo que los investigadores no solo analicen proteínas naturales, sino que también empiecen a diseñar en gran escala nuevas estructuras, nuevas enzimas y nuevas moléculas de unión que quizá no existan en la naturaleza.

La información de mercado publicada por GlobeNewswire afirma que se espera un rápido crecimiento del mercado de diseño de proteínas mediante simulación computacional in vitro, impulsado principalmente por herramientas de IA, computación en la nube, flujos de trabajo experimentales automatizados y la demanda de la investigación y el desarrollo de fármacos de una selección más rápida de moléculas candidatas. Sin embargo, los resúmenes públicos actualmente disponibles no proporcionan un tamaño de mercado concreto, una tasa de crecimiento anual compuesta, una metodología de investigación ni una muestra de entrevistados, por lo que esta previsión se entiende mejor como una señal de dirección industrial que como una conclusión cuantitativa verificable de forma independiente.

El llamado diseño de proteínas in silico consiste, en esencia, en predecir o crear primero secuencias de aminoácidos en una computadora, estimar su estructura tridimensional, estabilidad y posible función, y luego enviar al laboratorio un número reducido de diseños más prometedores para su síntesis y prueba. Sus usos abarcan anticuerpos y productos biológicos, antígenos para vacunas, ingeniería enzimática, componentes de terapia celular y reactivos diagnósticos; si el proceso es fiable, la exploración temprana puede pasar de un ensayo y error prolongado a la organización de listas de candidatos más orientadas.

El papel de la IA no consiste solo en consultar más rápido las bases de datos existentes. Los modelos recientes de lenguaje de proteínas, las herramientas de predicción estructural y los métodos de diseño generativo permiten a los equipos de investigación plantear nuevas hipótesis dentro de un enorme espacio de secuencias; la automatización, por su parte, se encarga de convertir esas hipótesis en ciclos experimentales, incluida la síntesis, la expresión, la purificación, los ensayos funcionales y la retroalimentación de resultados. Este circuito cerrado de “diseño-fabricación-prueba-aprendizaje” es precisamente la parte más valorada en la narrativa del mercado.

Pero una biomolécula no se convierte en fármaco solo porque el resultado del modelo sea atractivo. Las proteínas candidatas aún pueden ser inestables en las células, tener una inmunogenicidad demasiado alta, ser difíciles de escalar para fabricación o mostrar efectos distintos en animales y humanos. En el caso de usos médicos, los reguladores también preguntarán por el origen de los datos de entrenamiento, la explicabilidad del diseño, el control de calidad, la consistencia entre lotes y si la evidencia preclínica es suficiente para respaldar ensayos en humanos.

Contexto

Esta ola de entusiasmo por el diseño de proteínas se corresponde con la expansión de la fabricación de fármacos mediante IA, aunque el foco es ligeramente distinto. Los fármacos de molécula pequeña suelen enfrentarse a cómo encontrar compuestos que puedan convertirse en medicamentos; el diseño de proteínas se topa de manera más directa con el acoplamiento entre estructura, función y proceso de producción. Para que el mercado pase del crecimiento previsto a ingresos sostenibles, la clave será si las empresas de plataforma pueden transformar la capacidad algorítmica en una tasa de éxito experimental repetible, y no solo mostrar un único caso llamativo.

References

  1. GlobeNewswire