El aprendizaje autom\u00e1tico ayuda a desarrollar f\u00e1rmacos de anticuerpos \u00f3ptimos. Cr\u00e9dito: ETH Zurich <\/p>\n
Los anticuerpos no solo son producidos por nuestras c\u00e9lulas inmunitarias para combatir virus y otros pat\u00f3genos en el cuerpo. Desde hace algunas d\u00e9cadas, la medicina tambi\u00e9n utiliza anticuerpos producidos por la biotecnolog\u00eda como f\u00e1rmacos. Esto se debe a que los anticuerpos son extremadamente buenos para unirse espec\u00edficamente a estructuras moleculares de acuerdo con el principio de llave y candado. Su uso va desde la oncolog\u00eda hasta el tratamiento de enfermedades autoinmunes y neurodegenerativas. <\/p>\n
Sin embargo, el desarrollo de tales f\u00e1rmacos de anticuerpos es cualquier cosa menos simple. El requisito b\u00e1sico es que un anticuerpo se una a su mol\u00e9cula diana de manera \u00f3ptima. Al mismo tiempo, un f\u00e1rmaco de anticuerpos debe cumplir una serie de criterios adicionales. Por ejemplo, no deber\u00eda desencadenar una respuesta inmunitaria en el cuerpo, deber\u00eda ser eficiente para producir usando biotecnolog\u00eda y deber\u00eda permanecer estable durante un largo per\u00edodo de tiempo.<\/p>\n
Una vez que los cient\u00edficos hayan encontrado un anticuerpo que se une a la estructura de diana molecular deseada, el proceso de desarrollo est\u00e1 lejos de terminar. M\u00e1s bien, esto marca el comienzo de una fase en la que los investigadores utilizan la bioingenier\u00eda para tratar de mejorar las propiedades del anticuerpo. Los cient\u00edficos dirigidos por Sai Reddy, profesor del Departamento de Ciencia e Ingenier\u00eda de Biosistemas de ETH Zurich en Basilea, ahora han desarrollado un m\u00e9todo de aprendizaje autom\u00e1tico que respalda esta fase de optimizaci\u00f3n, lo que ayuda a desarrollar f\u00e1rmacos de anticuerpos m\u00e1s efectivos.<\/p>\n
Los robots no pueden manejar m\u00e1s de unos pocos miles<\/p>\n
Cuando los investigadores optimizan una mol\u00e9cula de anticuerpo completa en su forma terap\u00e9utica (es decir, no solo un fragmento de un anticuerpo), sol\u00eda 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 porta el modelo del anticuerpo para producir unos pocos miles de candidatos a anticuerpos relacionados en el laboratorio. El siguiente paso es buscar entre ellos para encontrar los que se unen mejor a la estructura de destino. \u00abCon los procesos automatizados, se pueden probar unos cuantos miles de candidatos terap\u00e9uticos en un laboratorio. Pero en realidad no es factible examinar m\u00e1s que eso\u00bb, dice Reddy. Por lo general, la mejor docena de anticuerpos de esta evaluaci\u00f3n pasan al siguiente paso y se analizan para determinar qu\u00e9 tan bien cumplen con los criterios adicionales. \u00abEn \u00faltima instancia, este enfoque le permite identificar el mejor anticuerpo de un grupo de unos pocos miles\u00bb, dice.<\/p>\n
El grupo de candidatos aument\u00f3 enormemente gracias al aprendizaje autom\u00e1tico<\/p>\n
Reddy y sus colegas ahora est\u00e1n utilizando el aprendizaje autom\u00e1tico para aumentar el conjunto inicial de anticuerpos que se analizar\u00e1n a varios millones. \u00abCuantos m\u00e1s candidatos haya para elegir, mayores ser\u00e1n las posibilidades de encontrar uno que realmente cumpla con todos los criterios necesarios para el desarrollo de f\u00e1rmacos\u00bb, dice Reddy.<\/p>\n
Los investigadores de ETH proporcionaron la prueba de concepto para su nuevo m\u00e9todo que utiliza el f\u00e1rmaco contra el c\u00e1ncer de anticuerpos Herceptin de Roche, que ha estado en el mercado durante 20 a\u00f1os. \u00abPero no busc\u00e1bamos hacer sugerencias sobre c\u00f3mo mejorarlo; no se puede simplemente cambiar retroactivamente un medicamento aprobado\u00bb, explica Reddy. \u00abNuestra raz\u00f3n para elegir este anticuerpo es porque es bien conocido en la comunidad cient\u00edfica y porque su estructura est\u00e1 publicada en bases de datos de acceso abierto\u00bb.<\/p>\n
Predicciones por computadora<\/p>\n
Partiendo de la secuencia de ADN del anticuerpo Herceptin, los investigadores de ETH crearon alrededor de 40,000 anticuerpos relacionados utilizando un m\u00e9todo de mutaci\u00f3n CRISPR que desarrollaron hace unos a\u00f1os. Los experimentos mostraron que 10.000 de ellos se un\u00edan bien a la prote\u00edna diana en cuesti\u00f3n, una prote\u00edna espec\u00edfica de la superficie celular. Los cient\u00edficos utilizaron las secuencias de ADN de estos 40 000 anticuerpos para entrenar un algoritmo de aprendizaje autom\u00e1tico.<\/p>\n
Luego aplicaron el algoritmo entrenado para buscar en una base de datos de 70 millones de secuencias potenciales de ADN de anticuerpos. Para estos 70 millones de candidatos, el algoritmo predijo qu\u00e9 tan bien se unir\u00edan los anticuerpos correspondientes a la prote\u00edna objetivo, lo que dio como resultado una lista de millones de secuencias que se esperaba que se unieran.<\/p>\n
Usando m\u00e1s modelos inform\u00e1ticos, los cient\u00edficos predijeron qu\u00e9 tan bien estos millones de secuencias cumplir\u00edan los criterios adicionales para el desarrollo de f\u00e1rmacos (tolerancia, producci\u00f3n, propiedades f\u00edsicas). Esto redujo el n\u00famero de secuencias candidatas a 8000.<\/p>\n
Se encontraron anticuerpos mejorados<\/p>\n
De la lista de secuencias candidatas optimizadas en su computadora, los cient\u00edficos seleccionaron 55 secuencias para producir anticuerpos en el laboratorio y caracterizar sus propiedades. Experimentos posteriores demostraron que varios de ellos se un\u00edan incluso mejor a la prote\u00edna diana que el propio Herceptin, adem\u00e1s de ser m\u00e1s f\u00e1ciles de producir y m\u00e1s estables que el Herceptin. \u00abUna nueva variante puede incluso ser mejor tolerada en el cuerpo que Herceptin\u00bb, dice Reddy. \u00abSe sabe que Herceptin desencadena una respuesta inmunitaria d\u00e9bil, pero esto no suele ser un problema en este caso\u00bb. Sin embargo, es un problema para muchos otros anticuerpos y es necesario prevenir para el desarrollo de f\u00e1rmacos.<\/p>\n
Los cient\u00edficos de ETH ahora est\u00e1n aplicando su m\u00e9todo de inteligencia artificial para optimizar los f\u00e1rmacos de anticuerpos que est\u00e1n en desarrollo cl\u00ednico. Con este fin, recientemente fundaron deepCDR Biologics, spin-off de ETH, que se asocia con empresas biotecnol\u00f3gicas y farmac\u00e9uticas tanto en etapa inicial como establecidas para el desarrollo de f\u00e1rmacos de anticuerpos.<\/p>\n
El estudio se publica en Nature Biomedical Engineering. <\/p>\n
Explore m\u00e1s<\/p>\n
Nuevo m\u00e9todo facilita el desarrollo de f\u00e1rmacos basados en anticuerpos M\u00e1s informaci\u00f3n:<\/strong> Optimizaci\u00f3n de anticuerpos terap\u00e9uticos al predecir la especificidad del ant\u00edgeno a partir de la secuencia del anticuerpo a trav\u00e9s del aprendizaje profundo, Nature Biomedical Engineering, DOI: 10.1038 \/s41551-021-00699-9 Informaci\u00f3n de la revista:<\/strong> Nature Biomedical Engineering <\/p>\n Proporcionado por ETH Zurich Cita<\/strong>: Dise\u00f1o de mejores f\u00e1rmacos de anticuerpos con inteligencia artificial (2021, 15 de abril ) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-04-antibody-drugs-artificial-intelligence.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" El aprendizaje autom\u00e1tico ayuda a desarrollar f\u00e1rmacos de anticuerpos \u00f3ptimos. Cr\u00e9dito: ETH Zurich Los anticuerpos no solo son producidos por nuestras c\u00e9lulas inmunitarias para combatir virus y otros pat\u00f3genos en el cuerpo. Desde hace algunas d\u00e9cadas, la medicina tambi\u00e9n utiliza anticuerpos producidos por la biotecnolog\u00eda como f\u00e1rmacos. Esto se debe a que los anticuerpos son … Continuar leyendo \u00abDise\u00f1ar mejores f\u00e1rmacos de anticuerpos con inteligencia artificial\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-20551","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20551","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=20551"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20551\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=20551"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=20551"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=20551"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}