Biotecnología · global
NVIDIA y la Universidad de Washington abren su modelo de diseño de proteínas para llevar más rápido las ideas moleculares al laboratorio
RFD4-Proteina integra las secuencias, las formas y las interacciones de las proteínas en el diseño. El equipo investigador informa de mejoras en el rendimiento computacional y ha completado parte de la validación experimental; su posible transformación en nuevos fármacos aún deberá superar un proceso más largo de pruebas biológicas y clínicas.
Entre diseñar una proteína que parezca capaz de unirse a una diana de enfermedad y obtener una molécula con la función prevista suele haber un proceso de modificaciones y experimentos sucesivos. NVIDIA y el Instituto de Diseño de Proteínas de la Facultad de Medicina de la Universidad de Washington presentaron conjuntamente RFD4-Proteina el 21 de octubre, con la intención de acortar ese recorrido entre el ordenador y la mesa de laboratorio y permitir a los investigadores seleccionar más rápido los diseños que merecen ponerse a prueba.
El modelo, anunciado en la conferencia GTC de Berlín, combina las tecnologías de generación de proteínas que ambas partes ya habían desarrollado. Los investigadores pueden establecer restricciones estructurales, de secuencia y químicas para que el modelo genere, evalúe y mejore las moléculas candidatas. La Universidad de Washington explica que puede ajustar simultáneamente la secuencia de aminoácidos de una proteína, su estructura tridimensional y la estructura de las moléculas que interactúan con ella; ante problemas más difíciles, también puede dedicar más recursos computacionales a buscar soluciones.
Las mejoras de rendimiento proceden, por ahora, principalmente de las pruebas del equipo investigador. Según la Universidad de Washington, tanto la tasa de éxito de los diseños en las pruebas de referencia computacionales como la velocidad de generación de proteínas candidatas de RFD4-Proteina alcanzaron valores entre cinco y diez veces superiores a los de modelos anteriores. NVIDIA señala, por su parte, que el borrador del estudio evaluó cuatro tipos de tareas: unión a proteínas, unión a moléculas pequeñas, diseño de esqueletos de enzimas y unión al ADN. Estas cifras reflejan el rendimiento en condiciones de prueba específicas y no pueden traducirse directamente en tasas de éxito del desarrollo de nuevos fármacos.
Los resultados de laboratorio aportan indicios que van más allá de las evaluaciones computacionales. La Universidad de Washington afirma que algunas de las proteínas diseñadas ya han mostrado las funciones previstas en experimentos, entre ellas enzimas que degradan pesticidas y diseños que controlan los tipos de cadenas de azúcares unidas a las proteínas. Sin embargo, el anuncio no detalla el número total de muestras ni la proporción de éxitos experimentales en cada tarea, y las experiencias de los investigadores con casos concretos aún deben ser reproducidas por más equipos.
El modelo se publica con código abierto bajo la licencia BSD de tres cláusulas, lo que permite a otros equipos de investigación utilizarlo y ampliarlo. NVIDIA también busca conectar el diseño con la experimentación automatizada: según su anuncio, el asistente de investigación científica con IA de Genedata, empresa de Danaher, coordinará el diseño y las pruebas de proteínas en laboratorios automatizados y utilizará los resultados experimentales para orientar la siguiente ronda de diseño. El valor de este tipo de procesos reside en permitir que la evidencia generada en cada prueba vuelva a alimentar el diseño, más allá de aumentar la cantidad de moléculas candidatas.
La colaboración con Siemens Healthineers, anunciada ese mismo día, centra la atención en la radioterapia contra el cáncer. Ambas partes exploran el uso de los modelos Nemotron para ayudar en las discusiones sobre los planes de tratamiento, junto con el cálculo de dosis acelerado mediante CUDA y la plataforma Holoscan conectada a datos de sensores en tiempo real, para apoyar una radioterapia que se ajuste al estado del paciente. Esto sigue siendo una línea de desarrollo; el anuncio no aporta resultados clínicos que demuestren que esta solución integrada mejore los resultados del tratamiento de los pacientes.
Desde el diseño de proteínas hasta la planificación de la radioterapia, estas colaboraciones apuntan a un objetivo común: acortar la distancia entre los datos, el cálculo y las operaciones prácticas. Pero una proteína que funciona en un experimento todavía debe superar obstáculos relacionados con su acción en el organismo, su seguridad y su fabricación antes de convertirse en un fármaco; las herramientas de planificación del tratamiento también deben demostrar su fiabilidad clínica. Por ahora, los avances más concretos son la disponibilidad abierta de herramientas de investigación y el respaldo experimental de algunos diseños moleculares. Cuánto beneficio podrán obtener los pacientes sigue sin respuesta.