Investigadores del Instituto Tecnológico de Massachusetts (MIT) han desarrollado un innovador enfoque para diseñar nanopartículas que mejoran la entrega de vacunas de ARN y otras terapias basadas en ARN, utilizando inteligencia artificial. Este avance podría revolucionar la velocidad con la que se desarrollan nuevas vacunas y tratamientos para diversas enfermedades metabólicas, como la obesidad y la diabetes.
El equipo de investigación entrenó un modelo de aprendizaje automático para analizar miles de partículas de entrega existentes, lo que les permitió predecir nuevos materiales que podrían resultar más eficaces. Este modelo no solo facilitó la identificación de partículas adecuadas para diferentes tipos de células, sino que también ayudó a incorporar nuevos materiales en las nanopartículas. Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y gastroenterólogo en el Brigham and Women’s Hospital, destaca que este enfoque permite acelerar la identificación de mezclas óptimas de ingredientes en nanopartículas lipídicas, lo que antes era un proceso muy lento.
Innovación en la entrega de vacunas de ARN
Las vacunas de ARN, como las desarrolladas para combatir el SARS-CoV-2, suelen estar empaquetadas en nanopartículas lipídicas (LNP) para su entrega. Estas partículas protegen el ARN mensajero de la degradación en el organismo y facilitan su entrada en las células tras la inyección. Mejorar la eficiencia de estas partículas es crucial para desarrollar vacunas más efectivas y terapias de ARN que codifiquen genes para proteínas que puedan tratar diversas enfermedades.
En el año 2024, el laboratorio de Traverso lanzó un programa de investigación a largo plazo enfocado en el desarrollo de dispositivos ingeribles que permitan la entrega oral de tratamientos y vacunas de ARN. La maximización de la eficiencia en la producción de proteínas para aplicaciones terapéuticas es un objetivo primordial en este campo.
Las nanopartículas lipídicas típicas están compuestas por cuatro elementos: colesterol, un lípido auxiliar, un lípido ionizable y un lípido unido al polietilenglicol (PEG). Variantes de cada componente pueden ser combinadas para crear una amplia gama de formulaciones. Sin embargo, probar cada combinación de manera individual es un proceso que consume mucho tiempo, lo que llevó al equipo a recurrir a la inteligencia artificial para agilizar esta tarea.
Alvin Chan y Ameya Kirtane, coautores del estudio publicado en Nature Nanotechnology, explican que la mayoría de los modelos de IA en el descubrimiento de fármacos se centran en optimizar un solo compuesto, lo que no se aplica a las nanopartículas lipídicas. Para abordar este desafío, el equipo desarrolló un nuevo modelo denominado COMET, inspirado en la misma arquitectura de transformadores que impulsa modelos de lenguaje como ChatGPT. COMET aprende cómo los diferentes componentes químicos se combinan en una nanopartícula para influir en sus propiedades, como su capacidad para entregar ARN a las células.
Los investigadores crearon una biblioteca de aproximadamente 3,000 formulaciones diferentes de LNP y probaron cada una en el laboratorio para evaluar su eficacia en la entrega de su carga a las células. Después de entrenar el modelo con estos datos, solicitaron a COMET que predijera nuevas formulaciones que superarían a las existentes, logrando resultados que en algunos casos superaron incluso a las formulaciones comerciales.
Una vez que el equipo demostró que el modelo podía predecir partículas que entregaban eficazmente ARN, comenzaron a explorar si podían entrenarlo para trabajar con nanopartículas que incorporaran un quinto componente: un tipo de polímero conocido como poli beta aminoésteres (PBAEs). Estas investigaciones han mostrado que los PBAEs pueden entregar ácidos nucleicos de manera efectiva por sí solos, lo que sugiere que su inclusión en LNP podría mejorar su rendimiento.
El equipo también investigó cómo predecir qué LNP funcionarían mejor en diferentes tipos de células, incluyendo células Caco-2, derivadas de cáncer colorrectal, y qué LNP podrían soportar mejor el proceso de liofilización, utilizado para prolongar la vida útil de los medicamentos. Traverso concluye que este modelo es una herramienta que permite adaptar la investigación a diversas preguntas y acelerar el desarrollo de nuevas terapias, con un enfoque particular en tratamientos para la diabetes y la obesidad.
