Llevar el antígeno a la superficie celular: DeepSCan diseña nuevos módulos de presentación mediante IA

La capacidad de una célula para llevar un antígeno diseñado artificialmente al lugar correcto suele determinar si una vacuna de mRNA o un sistema de ingeniería celular puede funcionar. Un estudio publicado en «Nature Biotechnology» presenta la plataforma DeepSCan, que intenta utilizar aprendizaje profundo para diseñar «elementos de presentación en la superficie celular», de modo que los antígenos sintetizados por las células lleguen con mayor eficiencia a la membrana celular y puedan ser reconocidos por las células inmunitarias.

Estos elementos suelen incluir secuencias de proteínas de paso único a través de la membrana y pueden considerarse módulos que conectan el antígeno con la membrana celular. Existen numerosas secuencias naturales, pero falta un conjunto de reglas fiables que permita determinar, a partir de la disposición de los aminoácidos, si una proteína se desplazará correctamente hasta la superficie celular, si tendrá la orientación adecuada y qué nivel de expresión podrá alcanzar; por ello, los investigadores suelen depender del cribado individual.

El equipo de investigación midió la expresión en superficie de más de 570 antígenos quiméricos, creó etiquetas de intensidad de translocación a la superficie celular para unos 310 elementos de presentación y recopiló alrededor de 45 conjuntos independientes de datos de entrenamiento. A partir de estos datos, tres generaciones de modelos DeepSCan aprendieron las relaciones entre secuencia y función, y posteriormente se utilizaron para predecir elementos naturales y cribar nuevas secuencias generadas artificialmente.

Entre 3.700 candidatos diseñados por ordenador, los investigadores seleccionaron unos 120 para realizar experimentos y finalmente identificaron 7 elementos artificiales cuya capacidad de translocación a la superficie celular podía igualar o superar la del elemento natural con mejor rendimiento en el estudio. Los mejores candidatos no solo funcionaron en una única línea celular, sino que también mantuvieron una presentación más intensa en diversos tipos de células, lo que indica que los resultados no están completamente limitados a un solo entorno experimental.

El equipo vinculó además la presentación de antígenos con el reconocimiento por células CAR-T. En ensayos de citotoxicidad específicos para el antígeno, las células que utilizaban elementos de presentación mejorados pudieron desencadenar la correspondiente respuesta citotóxica de las CAR-T. Este resultado demuestra que las nuevas secuencias no solo aumentan las lecturas de la citometría de flujo, sino que los antígenos presentados en la membrana también conservan la capacidad funcional de ser reconocidos por las células inmunitarias; sin embargo, estas siguen siendo pruebas funcionales in vitro y no pueden equipararse con la eficacia en animales ni con los resultados terapéuticos en seres humanos.

Los programas de entrenamiento, inferencia y análisis de DeepSCan se han publicado mediante un repositorio público, y el equipo de investigación también ofrece herramientas en línea de los modelos Genesis Quant y Omni, que aceptan secuencias proteicas de hasta 1.023 aminoácidos y generan información como puntuaciones de expresión en superficie, topología de membrana y segmentos transmembrana. Esto proporciona a investigadores externos una vía para reproducir y probar la plataforma, pero aún se requiere una validación independiente para determinar si el modelo mantiene su precisión con antígenos ajenos a la distribución de entrenamiento, distintos métodos de administración y entornos de células humanas.

El valor más directo de este trabajo consiste en reducir el cribado de elementos de presentación, que originalmente requería una gran cantidad de experimentos, a un conjunto de candidatos más manejable. Para avanzar hacia aplicaciones terapéuticas, aún será necesario confirmar la inmunogenicidad de las secuencias artificiales, su estabilidad a largo plazo, su expresión en distintos tejidos y su seguridad al combinarlas con vectores de mRNA específicos; las pruebas actuales respaldan un método de diseño validado mediante experimentos celulares, no un producto con beneficios clínicos demostrados.