Columna de Opinión
MAP. Ricardo Meza Domínguez
México.- En un laboratorio de Bermondsey, con un algoritmo de aprendizaje automático diseña anticuerpos contra enfermedades específicas y a continuación, los sistemas robóticos automatizados los fabrican y cultivan en el laboratorio, realizan pruebas e introducen los datos en el algoritmo, todo ello con una mínima supervisión humana. Hay salas para el cultivo de células enfermas, la producción de anticuerpos y la secuenciación de su ADN: técnicos con batas de laboratorio preparan muestras y teclean en las computadoras mientras las máquinas zumban en segundo plano.
En la naturaleza, los anticuerpos son la respuesta del organismo a las enfermedades y actúan como tropas de primera línea del sistema inmunitario. Son cadenas de proteínas con una forma especial que se adhieren a los invasores extraños para que el organismo los elimine. Desde los ochenta, las empresas farmacéuticas fabrican anticuerpos sintéticos para tratar enfermedades como el cáncer y reducir las probabilidades de rechazo de los órganos trasplantados.
Las pruebas están casi totalmente automatizadas, con una serie de equipos de alta gama que intervienen en la preparación de las muestras y las hacen pasar por las distintas etapas del proceso de prueba: los anticuerpos se cultivan a partir de su secuencia genética y después se someten a ensayos biológicos, es decir, muestras del tejido enfermo para el que fueron diseñados. Los humanos supervisan el proceso, pero su trabajo consiste sobre todo en trasladar las muestras de una máquina a otra.
Pero el desarrollo de estos anticuerpos es un proceso lento para el ser humano: los diseñadores de proteínas deben buscar entre millones de posibles combinaciones de aminoácidos para hallar las que se plieguen exactamente de la forma correcta, y después probarlas todas de manera experimental, ajustando algunas variables para mejorar ciertas características del tratamiento con la intención de no empeorarlo en otros aspectos. Si se quiere crear un nuevo anticuerpo terapéutico, en algún lugar de este espacio infinito de moléculas posibles se encuentra aquella que se quiere localizar, señala Field, fundador y CEO de LabGenius.
Uno de los problemas de la ingeniería de proteínas convencional es que, en cuanto encuentras algo que funciona, tiendes a realizar un gran número de pequeños ajustes en esa molécula para ver si se puede perfeccionar”, comenta Field. Esos retoques permiten mejorar una propiedad, por ejemplo, la facilidad con la que se fabrica el anticuerpo a gran escala, pero tienen un efecto desastroso en muchos otros atributos necesarios, como la selectividad, la toxicidad, la potencia y más. El método convencional significa que se puede estar ladrando al árbol equivocado, o no ver el bosque por los árboles, optimizando sin cesar algo que funciona un poco, cuando puede haber opciones mucho mejores en una parte completamente diferente del mapa.
Una vez que se obtienen los resultados experimentales de ese primer grupo de 700 moléculas, esa información se devuelve al modelo y se utiliza para perfeccionar su comprensión del espacio, así lo explico Field. En otras palabras, el algoritmo comienza a hacerse una idea sobre cómo los distintos diseños de anticuerpos modifican la eficacia del tratamiento. Con cada ronda posterior, se da una mejora, equilibrando cuidadosamente la explotación de diseños potencialmente fructíferos con la exploración de nuevas áreas.
