La investigación biomédica ha alcanzado un nuevo punto de inflexión con el desarrollo de MAGE (Monoclonal Antibody Generator), un modelo de lenguaje proteico capaz de crear anticuerpos humanos específicos contra virus como SARS-CoV-2, influenza H5N1 y virus sincitial respiratorio A (RSV-A). El estudio, publicado en Cell, demuestra que esta herramienta basada en inteligencia artificial puede generar anticuerpos funcionales sin necesidad de una plantilla previa, superando las limitaciones del descubrimiento tradicional, que suele requerir años de experimentación y grandes inversiones.
A diferencia de los métodos convencionales, MAGE permite diseñar anticuerpos únicamente a partir de la secuencia del antígeno, reduciendo drásticamente los tiempos de desarrollo y ampliando la capacidad de respuesta frente a nuevos patógenos.
¿Cómo funciona MAGE y qué lo hace distinto a los modelos anteriores?
El modelo fue desarrollado por investigadores de Vanderbilt University Medical Center (EE. UU.) en colaboración con el National Institutes of Health (NIH), Karolinska Institutet y otras instituciones internacionales. MAGE se basa en Progen2, un modelo de lenguaje para proteínas que fue ajustado con 18.507 pares de secuencias de anticuerpo y antígeno, extraídos de bases de datos como CoV-AbDab, SAbDab, PLAbDab y experimentos propios de secuenciación de alta precisión.
Este entrenamiento permitió que la IA aprendiera los patrones de reconocimiento molecular entre anticuerpos y antígenos, generando secuencias completas de las cadenas pesada y ligera de inmunoglobulinas humanas con características estructurales diversas y realistas. En lugar de rediseñar anticuerpos existentes, como hacen otros modelos, MAGE produce nuevos anticuerpos “desde cero”, capaces de reconocer un antígeno introducido como texto biológico.
Durante las pruebas, los investigadores generaron 1.000 secuencias de anticuerpos contra el dominio RBD del SARS-CoV-2. Tras aplicar filtros de calidad y validación experimental, el 45 % mostró unión efectiva al virus, y uno de ellos alcanzó una potencia neutralizante inferior a 10 ng/mL, comparable con los anticuerpos clínicos más potentes conocidos.
¿Qué alcance tiene este avance para el diseño de terapias y vacunas?
Los resultados confirman que MAGE puede crear anticuerpos funcionales con características genéticas nuevas, manteniendo propiedades humanas y capacidad de unión específica. El modelo generó secuencias que utilizaron 37 genes diferentes de cadena pesada (VH) y 30 genes de cadena ligera (VL), dando origen a más de 300 combinaciones únicas. Casi todas las secuencias superaron los estándares de “humanidad” definidos por la plataforma BioPhi OASis, lo que sugiere un alto potencial terapéutico.
Además de los anticuerpos contra SARS-CoV-2, MAGE fue probado frente al virus sincitial respiratorio (RSV-A) y al virus de la influenza aviar H5N1, con tasas de éxito en validación experimental del 30 % y 28 %, respectivamente. De especial relevancia, el modelo diseñó anticuerpos efectivos frente a una cepa de H5N1 que no estaba presente en el entrenamiento, lo que demuestra una capacidad de aprendizaje de “cero disparos”: generar soluciones frente a virus emergentes sin haberlos visto previamente.
Dos anticuerpos diseñados contra RSV-A fueron analizados por criomicrografía electrónica. El primero mostró una neutralización potente y se unió a un epítopo clave del virus, confirmando que la IA puede producir moléculas con propiedades clínicas reales.
Un nuevo paradigma para la inmunología computacional
Más allá de los resultados de laboratorio, MAGE representa una nueva metodología en la biomedicina de precisión. El modelo reduce la dependencia de muestras humanas o animales, elimina la necesidad de estructuras tridimensionales y permite diseñar anticuerpos en días, no en meses, algo crítico en contextos de emergencia sanitaria.
Los análisis de desarrollabilidad realizados con la herramienta Therapeutic Antibody Profiler (TAP) mostraron que ningún anticuerpo generado superó los límites de riesgo clínico en parámetros como hidrofobicidad, carga superficial o longitud de las regiones CDR, alineándose con los estándares de anticuerpos terapéuticos en fase I.
Sin embargo, los autores advierten que MAGE aún no optimiza parámetros como la afinidad o la potencia neutralizante, dado que el modelo fue entrenado para predecir unión binaria (une/no une). Los próximos pasos incluyen incorporar datos estructurales y funcionales para afinar el diseño hacia anticuerpos más potentes y específicos.
Hacia una generación automatizada de inmunoterapias
El desarrollo de MAGE constituye un avance fundacional en la aplicación de IA al diseño de bioterapéuticos humanos. Su capacidad para generar anticuerpos inéditos, validados experimentalmente y con potencial clínico, abre la posibilidad de crear defensas inmunológicas digitales que puedan anticiparse a pandemias futuras.
Si se logra integrar información funcional y escalar las bases de datos, modelos como MAGE podrían transformar la inmunología en una disciplina predictiva, capaz de diseñar anticuerpos en tiempo real ante nuevos patógenos.
Descargue aquí el documento de la investigación completa:
