Un equipo del MIT usó un algoritmo de inteligencia artificial para desarrollar una nueva formulación de vacuna de ARN que mantiene estables, incluso a temperaturas altas, las nanopartículas lipídicas (LNP) que envuelven el ARN. Según un comunicado del MIT del 28 de septiembre, la vacuna con la nueva fórmula puede conservarse un año a temperatura ambiente y unos dos meses a unos 37°C (98°F). El estudio se publicó en Nature Biotechnology.
La mayoría de las vacunas de ARNm existentes deben almacenarse congeladas, entre -20°C y -80°C, por lo que el transporte y el almacenamiento dependen de la cadena de frío. Esa fue una razón directa de la lenta distribución de las vacunas contra la covid-19 en países de bajos ingresos, y también el contexto en el que esta investigación recibió financiación de la Fundación Gates.
Qué hizo el algoritmo
La investigación está dirigida por Ana Jaklenec y el profesor Robert Langer, ambos investigadores principales del Koch Institute for Integrative Cancer Research del MIT, con la participación de la doctoranda Jinbi Tian y el investigador posdoctoral Khanh Tran. La parte del algoritmo estuvo a cargo de Mina Konaković Luković, profesora asistente en el Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT.
El proceso tuvo varios pasos. Primero, el equipo midió individualmente el efecto estabilizador sobre el ARN de casi 50 ingredientes ya aprobados por la FDA y seleccionó los 5 más eficaces. La dificultad estaba en la proporción de mezcla de esos 5 componentes: el espacio de combinaciones es demasiado grande para probarlas todas a mano, lo que habría llevado meses. El algoritmo predecía, a partir de un número reducido de resultados experimentales ya disponibles, la proporción con más probabilidades de funcionar en la siguiente ronda; el laboratorio la probaba y devolvía el resultado al algoritmo, que iba convergiendo ronda tras ronda. Todo el proceso tardó solo unas semanas.
"The real beauty of this algorithm is that we can use it with small data sets."
Según Jaklenec, lo verdaderamente valioso de este algoritmo es que funciona incluso con conjuntos de datos pequeños.
Luković señaló además que la rapidez con la que el algoritmo convergió hacia una fórmula estable sorprendió al propio equipo.
Por qué importan los pocos datos
Los datos de los experimentos biológicos son caros: cada ronda de pruebas de una formulación requiere síntesis, almacenamiento y análisis, algo que suele tardar días, por lo que es difícil acumular el volumen de datos que necesita el aprendizaje profundo. La mayoría de las noticias sobre IA entrando en los laboratorios en el último año o dos han sido en áreas con grandes bases de datos públicas de respaldo, como la estructura de proteínas o la generación de moléculas. El desarrollo de formulaciones, en cambio, donde cada laboratorio dispone de muy pocos datos propios, se adapta mejor a una optimización de muestra pequeña al estilo "aprendizaje activo": el modelo solo sugiere cuál debería ser el siguiente experimento, y la evaluación sigue dependiendo de mediciones reales.
La elección de los 5 ingredientes, todos ya incluidos en la lista aprobada por la FDA, también responde a una consideración práctica. Cambiar a sustancias químicas totalmente nuevas obligaría a repetir la evaluación de seguridad desde cero; reutilizar excipientes ya aprobados acorta el camino hacia los ensayos clínicos.
Qué tan lejos está de la clínica
Los datos de inmunogenicidad disponibles por ahora provienen de ratones, y el equipo afirma que la respuesta inmunitaria es equivalente a la de la fórmula original de Moderna. El comunicado no aborda la eficacia en humanos, la estabilidad entre lotes en producción a gran escala ni si los reguladores aceptarán un etiquetado de conservación a temperatura ambiente, y ninguna empresa ha anunciado todavía que se hará cargo del desarrollo clínico.
Esta investigación tiene una referencia concreta en China: las vacunas de ARNm ya comercializadas o en desarrollo en el país también dependen de la cadena de frío, y el costo de distribución hacia regiones del oeste y zonas remotas ha sido durante mucho tiempo un problema. Si una formulación de LNP estable a temperatura ambiente se confirma en ensayos clínicos en humanos, los más afectados serían la logística de las vacunas y la vacunación de base, no el propio laboratorio. El método utilizado no es especialmente complejo, y los equipos chinos que trabajan en sistemas de administración de fármacos podrían aplicar el mismo enfoque para evaluar sus propios excipientes con un umbral bajo.
Fuentes: MIT News, CocoLoop, información del artículo en Nature Biotechnology; se verificaron la temperatura y duración de conservación, el número de ingredientes candidatos, la autoría de los investigadores y la fuente de financiación.