Investigación y desarrollo biotecnológico · global
Seguir los efectos de las terapias de ARN con diez mil muestras: PacBio y TychoBio se unen para generar datos de entrenamiento para IA
¿Qué ARN modifica una secuencia de ácido nucleico antisentido tras entrar en una célula? Las dos empresas planean utilizar secuenciación de longitud completa para vincular el diseño de fármacos con la respuesta celular y crear herramientas predictivas para terapias de enfermedades raras; aún queda por validar si los modelos pueden determinar con precisión la eficacia y los efectos no previstos.
Diseñar terapias de ARN para enfermedades raras plantea un reto que va más allá de encontrar una secuencia capaz de actuar: también es necesario saber cómo modificará un fármaco candidato la actividad global del ARN tras entrar en las células. PacBio y TychoBio anunciaron el 6 de octubre una colaboración para generar, mediante experimentos a gran escala y secuenciación de ARN de longitud completa, conjuntos de datos que vinculen el diseño de fármacos con la respuesta celular y sirvan para entrenar modelos de inteligencia artificial.
Según el anuncio de la colaboración, TychoBio prevé utilizar las tecnologías HiFi y Kinnex de PacBio para la secuenciación de ARN de lecturas largas y generar datos de más de diez mil muestras. Las informaciones de RTTNews y BioTuesdays sobre el mismo anuncio también confirman esta escala y las tecnologías previstas. La cifra corresponde al número de muestras experimentales que se prevé analizar; no debe interpretarse como diez mil pacientes ni significa que el conjunto de datos ya esté completo.
La primera fase se centrará en los oligonucleótidos antisentido de bloqueo estérico (SBOs), vinculando los diseños de distintos candidatos con los cambios que provocan en el transcriptoma de diversos tipos celulares. El transcriptoma es el conjunto de los distintos ARN presentes en una célula; los investigadores esperan observar así los cambios que produce el tratamiento e identificar efectos que no se habían previsto. Ambas empresas también planean ampliar este enfoque al ARN interferente pequeño (siRNA) y a otros compuestos que actúan sobre el ARN.
El valor de los datos de longitud completa reside en conservar indicios sobre las distintas versiones del ARN y sus formas de empalme. BioTuesdays cita la explicación de Felix Raimundo, fundador y director ejecutivo de TychoBio, según la cual la secuenciación de lecturas largas permite captar transcritos completos y ayuda a observar las isoformas de ARN y los cambios de empalme relacionados con enfermedades raras, así como la manera en que las terapias candidatas podrían modificar estos procesos. En esta colaboración, la estructura y la composición del ARN tras la acción de los fármacos constituirán una parte importante del aprendizaje de los modelos.
Las dos empresas esperan que los modelos entrenados puedan predecir la eficacia de las terapias candidatas, la duración de su acción y los efectos transcriptómicos no previstos en distintos tipos celulares. Si estas predicciones se validan en el futuro, podrían ayudar a los investigadores a decidir qué diseños merecen pasar a la siguiente ronda de experimentos. Sin embargo, el anuncio actual describe un plan de generación de datos y desarrollo de modelos, y todavía no aporta datos sobre la precisión de los modelos, resultados de validación independiente ni pruebas de eficacia clínica en seres humanos.
El volumen de datos tampoco permite, por sí solo, determinar si un modelo es aplicable a una enfermedad concreta. El anuncio no especifica las enfermedades raras que se investigarán de forma prioritaria, los detalles de los tipos celulares ni el diseño de la validación; si las respuestas que el modelo aprende de las muestras experimentales pueden extrapolarse a los pacientes sigue siendo una cuestión que deberá resolverse durante el desarrollo posterior. Además, los cambios no previstos en el ARN pueden aportar pistas para la investigación, pero no pueden equipararse directamente a toxicidad demostrada ni a seguridad clínica.
PacBio presenta la generación de datos y los beneficios para el desarrollo de terapias como planes prospectivos, y señala que sus productos son exclusivamente para uso en investigación y no para procedimientos diagnósticos. El avance concreto de esta colaboración consiste en establecer un proceso que permita acumular pruebas experimentales para el diseño de fármacos de ARN; para convertirse en una herramienta fiable de predicción terapéutica, todavía necesita que la validación de los modelos y los estudios posteriores de fármacos avancen de forma gradual.