Biotecnología · global
Acortar un 70 % la región de señalización del CAR: una colaboración de Anthropic lleva el diseño con IA al laboratorio
Desde simplificar los receptores de células T hasta mejorar la estabilidad de los anticuerpos, dos colaboraciones muestran cómo los diseños de IA se someten a pruebas experimentales. Pero los avances en cultivos celulares aún deben superar varias etapas antes de traducirse en beneficios reales para los pacientes.
Diseñar una molécula capaz de reconocer células cancerosas es solo el punto de partida del desarrollo de fármacos; también debe poder producirse eficazmente en las células o mantenerse estable durante la fabricación y el almacenamiento. Anthropic presentó el 27 de octubre los avances de sus colaboraciones con seis instituciones. Entre ellas, los casos de Generate Biomedicines y BigHat Biosciences sometieron las secuencias propuestas por la IA a sucesivas rondas de pruebas de laboratorio para abordar problemas concretos de ingeniería de células CAR T y optimización de anticuerpos, respectivamente.
Generate se centró en la región intracelular del receptor de antígeno quimérico (CAR) encargada de transmitir las señales de activación. Acortar este segmento proteico también permitiría reducir el ARNm necesario para codificarlo, dejando espacio para su administración o para incorporar otras funciones. El equipo seleccionó primero 186 diseños para su evaluación y después realizó pruebas con células T primarias procedentes de donantes. Tras rondas posteriores de diseño, obtuvo una versión denominada Happy Stoat: con solo 45 aminoácidos, es aproximadamente un 70 % más corta que la región de señalización de control 4-1BB–CD3ζ; esto no significa que todo el CAR se haya acortado un 70 %.
La prepublicación técnica de Generate identifica esta configuración como krgr–ζ1–40 y comunica un aumento de la expresión del CAR en la superficie celular y de la liberación de interferón γ tras la estimulación con el antígeno. En las condiciones evaluadas, no se detectó liberación de interferón γ en ausencia del antígeno. En otro experimento, se añadieron nanopartículas lipídicas dirigidas que transportaban ARNm del CAR a cultivos de células inmunitarias sanguíneas de cinco donantes, y Happy Stoat logró un grado similar de eliminación de células B con una dosis menor. Esto constituye evidencia de administración y función in vitro, pero todavía no demuestra la eficacia de generar células CAR T dentro del organismo humano.
BigHat, por su parte, utilizó Claude junto con investigadores y un laboratorio automatizado para optimizar la afinidad de unión, la estabilidad y la tendencia a la agregación de VHH y fragmentos de anticuerpos de cadena única (scFv). Según BigHat, en diez semanas se completaron siete rondas de diseño y se sintetizaron y evaluaron exhaustivamente 1.232 anticuerpos; el anuncio de Anthropic del mismo día, en cambio, menciona unas 1.010 variantes. Existe una discrepancia entre ambas cifras y el anuncio no aclaró el alcance del recuento. Las descripciones de los resultados también difieren ligeramente: BigHat comunicó mejoras de hasta nueve veces en la afinidad de unión de las mejores variantes, mientras que Anthropic afirmó que superaban las diez veces. En cuanto a la resistencia al calor, BigHat informó de que algunas variantes podían mantener la estabilidad en solución a una temperatura 18 °C superior a la del anticuerpo inicial.
Los resultados experimentales también cambiaron la forma en que el equipo interpretaba los datos. Según explicó BigHat, los controles de calidad del sistema de datos Reccy detectaron que la interpretación del desplegamiento y la agregación de las proteínas por parte del software del instrumento de estabilidad térmica podía resultar engañosa. Claude y los investigadores revisaron los datos originales y propusieron ajustar la concentración de proteínas y la velocidad de calentamiento; posteriormente, BigHat verificó estos ajustes experimentalmente. Este proceso muestra que la optimización depende tanto del número de secuencias propuestas como de la fiabilidad de las mediciones y de la posibilidad de rastrear las condiciones experimentales de cada muestra.
Por ahora, ambos casos aportan principalmente resultados de laboratorio divulgados por las empresas; el documento técnico de Generate también es una prepublicación. Una mayor activación celular no equivale directamente a un tratamiento más seguro, y los datos de unión y resistencia térmica de los anticuerpos tampoco pueden sustituir los ensayos de eficacia y seguridad en seres humanos. Estas investigaciones aportan resultados biológicos verificables al diseño asistido por IA, pero todavía no han demostrado que puedan mejorar el pronóstico de los pacientes ni bastan para determinar que hayan cambiado la tasa global de éxito o los costes del desarrollo de fármacos.