← Volver al inicio

La IA diseña secuencias de reconocimiento para células T: los receptores artificiales muestran capacidad de activación en experimentos

Encontrar receptores de células T capaces de reconocer una diana específica suele requerir un cribado exhaustivo. ERTransformer propone secuencias candidatas a partir de fragmentos de antígenos, y algunos diseños ya han superado pruebas celulares, pero su posible uso seguro en tratamientos aún requiere una validación gradual.

By SURL BioNews

Para que las células inmunitarias reconozcan una enfermedad, primero hay que encontrar los receptores adecuados. Para quienes desarrollan terapias con receptores de células T, esta búsqueda suele ser lenta y costosa. Un estudio publicado en *Genome Biology* intenta utilizar inteligencia artificial para proponer secuencias de reconocimiento y someterlas después a un cribado experimental; algunos receptores diseñados artificialmente ya han provocado, en condiciones específicas, respuestas de activación de células T comparables a las de los receptores naturales, o incluso más intensas.

Los receptores de células T (TCR) reconocen fragmentos de proteínas que otras células presentan mediante moléculas del antígeno leucocitario humano (HLA). Este mecanismo de emparejamiento constituye una base importante para que los investigadores orienten a las células inmunitarias hacia el reconocimiento de dianas tumorales. El nuevo modelo ERTransformer se centra en la región CDR3 de la cadena β del receptor, una secuencia variable que participa en el reconocimiento; las secuencias que produce aún deben incorporarse a un receptor completo y probarse en el entorno correspondiente de presentación de antígenos.

El modelo combina EpitopeBERT y ReceptorBERT, preentrenados con 1,9 millones de secuencias de epítopos antigénicos y 33,1 millones de secuencias de TCR, respectivamente. El equipo seleccionó cinco epítopos para los que ya existían receptores naturales disponibles como referencia y generó 1.000 secuencias CDR3 candidatas para cada uno. Estas candidatas mostraron una baja similitud con las secuencias de cadenas β naturales, al tiempo que conservaron una longitud y una composición de aminoácidos razonables, lo que ofrece más puntos de partida para el cribado posterior.

La verdadera prueba llegó con los experimentos celulares. Los investigadores seleccionaron algunos receptores artificiales y midieron la activación de las células T mediante citometría de flujo, obteniendo respuestas comparables a las de los receptores naturales. Sin embargo, no todas las 5.000 secuencias generadas se sometieron a validación funcional; los resultados también se limitan a las combinaciones de receptores y péptido–MHC utilizadas en los experimentos. Por tanto, no permiten estimar la tasa de éxito del conjunto de candidatos, y mucho menos equipararse directamente con una eficacia antitumoral en seres humanos.

Este resultado también refleja el tiempo necesario para pasar del diseño computacional a la validación biológica. El autor de correspondencia, Qingpeng Zhang, afirmó en una publicación pública que el proyecto comenzó durante las prácticas de Jiannan Yang en Tencent AI Lab, que el trabajo computacional quedó prácticamente terminado en 2022 y que, posteriormente, Jianhua Yao y el equipo colaborador del Hospital Xijing completaron la validación experimental en laboratorio. Entre la capacidad del modelo para proponer secuencias y la capacidad de esas secuencias para provocar una respuesta celular, sigue siendo necesario establecer un puente mediante experimentos.

El repositorio público ER-BERT del equipo ofrece instrucciones para el preentrenamiento, la generación y el uso, además de enlaces a modelos ya entrenados y datos de demostración. El procedimiento descrito en la documentación también utiliza un modelo discriminativo adicional para predecir la especificidad de unión y ayudar a seleccionar candidatos; estas predicciones aún requieren confirmación experimental. Los datos completos deben solicitarse a los investigadores, por lo que, aunque el código público facilita el examen del método, su reproducción completa sigue dependiendo del acceso a los datos.

Por ahora, la aplicación más clara consiste en ampliar el conjunto de candidatos y establecer prioridades para el cribado experimental. Para avanzar hacia un uso terapéutico, aún es necesario confirmar si los diseños pueden aplicarse a más epítopos y contextos de HLA, así como si podrían reconocer dianas no previstas y dañar tejidos normales. El artículo se publicó el 2 de septiembre de 2026 y la editorial lo identifica como una versión preliminar aceptada y revisada por pares, que todavía será objeto de edición; ofrece un punto de partida para la validación funcional, pero aún no ha establecido pruebas de eficacia clínica y seguridad.

References

  1. BIOENGINEER
  2. Genome Biology
  3. Qingpeng Zhang, study corresponding author (LinkedIn)
  4. TencentAILabHealthcare (GitHub)