← Volver al inicio

La IA puede diseñar anticuerpos de unión potente, ¿por qué sigue perdiendo frente al azar al elegir las mejores secuencias?

Una evaluación a ciegas de 511 propuestas de anticuerpos de 29 organizaciones muestra la capacidad de la IA para optimizar anticuerpos y revela sus debilidades al establecer clasificaciones precisas: generar candidatos destacados y seleccionar de forma fiable los mejores anticuerpos son dos pruebas distintas.

By SURL BioNews

Lograr que un anticuerpo se una firmemente a su diana es un punto de partida importante en el desarrollo de fármacos; identificar de antemano los mejores candidatos entre numerosas secuencias podría reducir los costes de síntesis y pruebas. Sin embargo, el desafío internacional AIntibody muestra que la IA puede producir anticuerpos con una excelente capacidad de unión sin necesariamente distinguir con precisión cuáles son mejores entre secuencias similares. Este estudio comparativo experimental pone en una misma tabla de resultados la brecha entre «saber diseñar» y «saber elegir».

GENEWIZ, responsable de preparar los anticuerpos, presentó el procedimiento de evaluación el 11 de noviembre; el estudio completo se publicó el 19 de agosto en *Nature Biotechnology*. El desafío evaluó 511 propuestas de anticuerpos presentadas por 29 organizaciones. Los participantes debían fijar las secuencias antes de los experimentos, tras lo cual se evaluaban mediante un proceso de preparación uniforme y por personal experimental que desconocía la identidad de los participantes. El sitio web oficial también destaca que el éxito en una tarea no se trasladó de forma consistente a las demás.

La diana evaluada fue el dominio de unión al receptor del SARS-CoV-2. Según la empresa participante Cradle, los equipos recibieron datos de secuenciación de una selección mediante presentación en levaduras, así como las afinidades medidas de 142 anticuerpos. Las tres tareas consistían en mejorar anticuerpos existentes, seleccionar los anticuerpos con mayor capacidad de unión entre grupos de secuencias y diseñar nuevas regiones de unión de anticuerpos que no figuraran en la base de datos. Esta última tarea seguía tomando como punto de partida los datos existentes y mantenía fijo el armazón del anticuerpo, por lo que no puede considerarse un diseño desde cero sin ninguna información previa.

Los resultados sí incluyeron logros destacados. GENEWIZ señaló que varios equipos generaron anticuerpos con afinidades inferiores a 100 picomolar (pM) que, además, cumplían los criterios de aptitud para el desarrollo establecidos en esta evaluación. Aquí, la afinidad se mide mediante la constante de disociación: cuanto menor es el valor, más firme suele ser la unión. Cradle, por su parte, comunicó que su mejor diseño alcanzó 8,69 pM y superó los umbrales correspondientes. No obstante, la empresa también reconoció que las puntuaciones predichas por el modelo para los candidatos de un mismo grupo de secuencias eran muy similares, lo que dificultaba distinguir las diferencias que realmente se observaban en los experimentos.

Ese es precisamente el problema que dejó al descubierto la tarea de clasificación. El estudio pedía a los equipos que identificaran mejores candidatos en tres grupos de secuencias definidos por la tercera región determinante de complementariedad de la cadena pesada del anticuerpo (HCDR3). En la comparación global, el método de un solo equipo superó la referencia de selección aleatoria, y esa ventaja tampoco se extendió a todos los grupos de secuencias. Esto no significa que los demás modelos fueran completamente incapaces de encontrar anticuerpos que se unieran a la diana, sino que, cuando los datos iniciales ya contenían numerosas secuencias capaces de unirse a ella, los modelos no lograron seleccionar de forma fiable las mejores.

El método de puntuación también influye en la interpretación de los resultados. Cradle sostiene que deberían definirse con mayor claridad las métricas de clasificación y mejorarse la evaluación de la aptitud para el desarrollo, para evitar que el rendimiento de una única molécula sobresaliente oculte las diferencias entre todos los diseños. Además de una unión firme, deben considerarse propiedades como la estabilidad, la agregación y la unión inespecífica. Superar un conjunto de criterios de selección temprana no equivale a haber demostrado que un anticuerpo sea apto para convertirse en un fármaco, ni permite inferir su eficacia y seguridad en seres humanos.

El mensaje más sólido de este desafío es que la IA ya tiene potencial práctico en tareas de ingeniería de anticuerpos con abundantes datos y un alcance bien definido, pero diseñar nuevas secuencias, predecir diferencias sutiles y tener en cuenta múltiples propiedades siguen siendo capacidades distintas. Dado que la evaluación se centró en un único antígeno y en condiciones de datos fijas, los resultados tampoco bastan para generalizar a dianas de otras enfermedades ni a procesos de desarrollo que incorporan repetidamente nuevos datos experimentales. Para los equipos que se preparan para adoptar estas herramientas, la clave sigue siendo comprobar si pueden superar de forma sostenida referencias experimentales sencillas y fiables en tareas reales.

References

  1. GENEWIZ
  2. Nature Biotechnology
  3. Cradle
  4. AIntibody / Specifica