Los investigadores diseñan un nuevo enfoque para crear bibliotecas de anticuerpos

Cuando la pandemia de COVID-19 cerró las bibliotecas públicas locales a principios de 2020, otro tipo de biblioteca no solo floreció sino que también resultó crucial en la lucha contra el nuevo coronavirus: la biblioteca de anticuerpos.

Una herramienta invaluable en el descubrimiento y desarrollo de nuevas terapias, estas bibliotecas son colecciones de anticuerpos modificados genéticamente que se utilizan en la investigación y la industria para descubrir y desarrollar terapias para virus, cáncer y otras enfermedades. En el caso del SARS-CoV2, las bibliotecas de anticuerpos proporcionaron a los investigadores un modelo para sintetizar las moléculas que ahora se usan en las vacunas contra el COVID-19.

Si bien las bibliotecas de anticuerpos tienen un gran potencial para ayudar en el descubrimiento de nuevos tratamientos, su utilidad está limitada por factores que incluyen el tiempo y los gastos significativos que implica su creación y el hecho de que muchas de las secuencias contenidas en las bibliotecas tienen propiedades químicas deficientes que necesitan ser rediseñados antes de que puedan ser utilizados terapéuticamente.

Un equipo de científicos e ingenieros de Johns Hopkins ha diseñado un nuevo enfoque para generar bibliotecas de anticuerpos que no solo podría acelerar el proceso de creación de anticuerpos, sino también acelerar el descubrimiento de candidatos a anticuerpos terapéuticos, minimizar los riesgos para una respuesta inmunitaria adecuada y hacer que todo el proceso menos costoso y requiere más tiempo. Sus resultados fueron compartidos recientemente en el bioRxiv servidor de preimpresión.

«Estas bibliotecas generalmente son generadas por ingenieros que mutan aleatoriamente secuencias. El resultado es que no todos los anticuerpos generados funcionarán o se comportarán bien en el cuerpo. Nuestro enfoque es diferente: usamos un modelo de inteligencia artificial de aprendizaje profundo para crear alta -bibliotecas de calidad bajo demanda», dijo el líder del equipo Jeffrey Gray, profesor del Departamento de Ingeniería Química y Biomolecular de la Escuela de Ingeniería Whiting de la Universidad Johns Hopkins y asociado del Instituto de NanoBioTecnología.

La innovación de los investigadores, una nueva herramienta que llaman Modelo de lenguaje de inmunoglobulina, o IgLM, se entrenó en un conjunto de quinientos millones de secuencias de anticuerpos humanos reales, lo que permite a los investigadores predecir y llenar los vacíos de manera eficiente y precisa. Tiene la capacidad de tomar una secuencia de anticuerpo existente y diversificar una región en particular, lo que potencialmente permite la creación de anticuerpos que se asemejan a los producidos por el sistema inmunitario, subvirtiendo los problemas de control de calidad existentes.

Y debido a que el modelo fue entrenado en especies distintas a los humanos, puede usarse para generar anticuerpos para ratones, primates y otros, además de los humanos. El SARS CoV2 (el virus que causa el COVID-19), por ejemplo, se manifiesta de manera diferente en humanos y simios, y la biblioteca de anticuerpos se puede cambiar rápidamente entre los dos.

«En el futuro, esperamos validar el enfoque con socios para permitir un descubrimiento más rápido de anticuerpos terapéuticos», dijo el miembro del equipo Jeffrey Ruffolo, candidato a doctorado en el Departamento de Biofísica Thomas C. Jenkins en la Escuela de Artes y Ciencias Krieger y Johns Hopkins. -Becario de AstraZeneca. «El objetivo final sería reducir la necesidad de grandes bibliotecas y sintetizar anticuerpos específicos bajo demanda que funcionen en el laboratorio».

Aunque los esfuerzos del equipo hasta ahora se limitan a crear bibliotecas de anticuerpos en la computadora, están buscando un socio para pasar a las pruebas experimentales, dijo Gray.

«Creemos que IgLM es una verdadera promesa, pero necesitamos un colaborador para evaluar experimentalmente nuestras bibliotecas para encontrar anticuerpos contra dolencias específicas», dijo. «En principio, podemos hacer esto, pero necesitamos más experimentos para demostrarlo».