Los anticuerpos no solo son producidos por nuestras células inmunes para combatir virus y otros patógenos en el cuerpo. Desde hace algunas décadas, la medicina también utiliza anticuerpos producidos por la biotecnología como fármacos. Esto se debe a que los anticuerpos son extremadamente buenos para unirse específicamente a estructuras moleculares de acuerdo con el principio de candado y llave. Su uso va desde la oncología hasta el tratamiento de enfermedades autoinmunes y afecciones neurodegenerativas.
Sin embargo, desarrollar tales fármacos con anticuerpos no es nada sencillo. El requisito básico es que un anticuerpo se una a su molécula diana de manera óptima. Al mismo tiempo, un fármaco de anticuerpos debe cumplir una serie de criterios adicionales. Por ejemplo, no debería desencadenar una respuesta inmunitaria en el cuerpo, debería ser eficiente para producir mediante biotecnología y debería permanecer estable durante un largo período de tiempo.
"Nuestra razón para elegir el anticuerpo Herceptin es porque es bien conocido en la comunidad científica y porque su estructura está publicada en bases de datos de acceso abierto"
Una vez que los científicos han encontrado un anticuerpo que se une a la estructura objetivo molecular deseada, el proceso de desarrollo está lejos de terminar. Más bien, esto marca el comienzo de una fase en la que los investigadores utilizan la bioingeniería para tratar de mejorar las propiedades del anticuerpo. Los científicos dirigidos por Sai Reddy, profesor del Departamento de Ciencia e Ingeniería de Biosistemas de ETH Zurich en Basilea, han desarrollado un método de aprendizaje automático que respalda esta fase de optimización, lo que ayuda a desarrollar fármacos de anticuerpos más efectivos.
Cuando los investigadores optimizan una molécula de anticuerpo completa en su forma terapéutica (es decir, no solo un fragmento de un anticuerpo), solían comenzar con un candidato principal de anticuerpo que se une razonablemente bien a la estructura objetivo deseada. Luego, los investigadores mutan aleatoriamente el gen que lleva el modelo del anticuerpo para producir algunos miles de candidatos de anticuerpos relacionados en el laboratorio.
El siguiente paso es buscar entre ellos para encontrar los que mejor se unan a la estructura de destino. "Con los procesos automatizados, puede probar algunos miles de candidatos terapéuticos en un laboratorio. Pero no es realmente factible evaluar más que eso", explica Reddy. Por lo general, la mejor docena de anticuerpos de este examen pasan al siguiente paso y se analizan para determinar qué tan bien cumplen con los criterios adicionales.
"Cuantos más candidatos haya para elegir, mayor será la posibilidad de encontrar uno que realmente cumpla con todos los criterios necesarios para el desarrollo de fármacos"
Reddy y sus colegas ahora están utilizando el aprendizaje automático para aumentar el conjunto inicial de anticuerpos que se probarán a varios millones. "Cuantos más candidatos haya para elegir, mayor será la posibilidad de encontrar uno que realmente cumpla con todos los criterios necesarios para el desarrollo de fármacos", añade Reddy.
Los investigadores de ETH proporcionaron la prueba de concepto para su nuevo método utilizando Herceptin, un fármaco anticanceroso de Roche, que ha estado en el mercado durante 20 años. "No estábamos buscando hacer sugerencias sobre cómo mejorarlo; no se puede simplemente cambiar retroactivamente un medicamento aprobado", sostiene Reddy. "Nuestra razón para elegir este anticuerpo es porque es bien conocido en la comunidad científica y porque su estructura está publicada en bases de datos de acceso abierto", sentencia.