Un modelo predictivo con IA permite acelerar el tratamiento de enfermedades basado en ARNm

El ARN mensajero (ARNm) contiene instrucciones sobre qué proteínas producir en el organismo y cómo hacerlo, lo que permite que el cuerpo humano pueda llevar a cabo las funciones cotidianas de la vida.

Al respecto, la capacidad de desarrollar nuevas vacunas y fármacos de ARNm capaces de combatir virus, cánceres y trastornos genéticos implica un proceso, a menudo complejo, de inducir a las células del cuerpo de un paciente a producir suficientes proteínas a partir del ARNm terapéutico para combatir eficazmente las enfermedades.

En este sentido, expertos de la Universidad de Texas (EEUU) han logrado un nuevo modelo de inteligencia artificial capaz de optimizar el proceso de descubrimiento de fármacos y vacunas al predecir la eficiencia con la que secuencias específicas de ARNm producirán proteínas, tanto en general como en diversos tipos celulares.  "Teníamos interés en averiguar si las células coordinan los ARNm que producen y con qué eficiencia se traducen en proteínas", explicó, al respecto, Can Cenik, profesor asociado de biociencias moleculares en la Universidad de Texas en Austin.

Para desarrollar su nuevo modelo predictivo, Cenik y el equipo de la UT seleccionaron un conjunto de datos públicos de más de 10 000 experimentos que medían la eficiencia con la que diferentes ARNm se traducen a proteínas en distintos tipos de células humanas y murinas. Una vez creado este conjunto de datos de entrenamiento, expertos en IA y aprendizaje automático de la UT y Sanofi se unieron para desarrollar RiboNN.

En pruebas que abarcaron más de 140 tipos de células humanas y de ratón, el nuevo modelo, denominado 'RiboNN', mostró una precisión de, aproximadamente, el doble en la predicción de la eficiencia de la traducción que los enfoques anteriores.

Asimismo, pudieron demostrar que los ARNm con funciones biológicas relacionadas se traducen en proteínas en niveles similares en diferentes tipos celulares.

En definitiva, el nuevo modelo ayuda a predecir la cantidad de proteína que producirán las células, lo que minimiza la necesidad de experimentación de ensayo y error, acelerando así la próxima generación de terapias de ARNm. "Este avance supone brindar a los investigadores la capacidad de realizar predicciones en células que podrían ayudar a agilizar los tratamientos contra el cáncer y las enfermedades infecciosas y hereditarias", concluyeron los investigadores.