Un reciente estudio publicado en la revista Human Gene Therapy presenta un innovador modelo de aprendizaje automático que promete revolucionar el desarrollo de terapias génicas mediante la optimización de los capsídeos del virus adenoasociado (AAV). Este enfoque in silico se propone como una alternativa viable a los laboriosos experimentos in vitro, con el objetivo de aumentar la eficacia de los capsídeos AAV en el ámbito clínico, lo que podría traducirse en tratamientos más accesibles y económicos para los pacientes.
La mejora de la eficiencia de los capsídeos AAV es una estrategia fundamental para reducir los costos de fabricación, un factor crucial para la viabilidad económica de las terapias génicas. Christian Mueller y su equipo de investigadores de Sanofi han desarrollado un modelo de aprendizaje automático de vanguardia que permite predecir la eficacia de los mutantes del capsídeo AAV2, basándose en la secuencia de aminoácidos de su monómero.
Los investigadores afirman que «al combinar un modelo de lenguaje proteico (PLM) con técnicas clásicas de aprendizaje automático, nuestro modelo logró una precisión de predicción significativamente alta (correlación de Pearson = 0.818) para la eficacia del capsídeo». Se destaca la robustez y capacidad de generalización del modelo, incluso al evaluar conjuntos de datos completamente independientes, lo que incluye capsídeos AAV con múltiples mutaciones.
Avances en la ingeniería de capsídeos mediante inteligencia artificial
La implementación de enfoques basados en inteligencia artificial (IA) en la ingeniería de capsídeos representa un avance prometedor, ofreciendo un método más sistemático, integral y rentable en comparación con las estrategias tradicionales de evolución dirigida y diseño racional. Thomas Gallagher, editor gerente de Human Gene Therapy y doctor en la Universidad de Massachusetts Chan Medical School, comenta que «el estudio de Wu et al. es un gran paso hacia el desarrollo de herramientas de IA en el ámbito de la terapia génica».
Más información:
Jason Wu et al, Prediction of Adeno-Associated Virus Fitness with a Protein Language-Based Machine Learning Model, Human Gene Therapy (2025). DOI: 10.1089/hum.2024.227
