Biologia Molecular Mexico

Investigadores desarrollan el primer Modelo de Lenguaje de Proteínas (PLM) capaz de generar secuencias de anticuerpos funcionales de novo simplemente “leyendo” la secuencia del antígeno objetivo, validado contra SARS-CoV-2, VSR e influenza H5N1.

📌 RESUMEN

• La Innovación: MAGE (Monoclonal Antibody Generator) es un modelo de lenguaje de proteínas ajustado (fine-tuned) que genera secuencias pareadas de cadenas pesadas (VH) y ligeras (VL) humanas con alta especificidad y afinidad.
• El “Zero-Shot”: El modelo demostró capacidad de generalización al diseñar anticuerpos neutralizantes contra una cepa de Influenza Aviar H5N1 que no estaba en su base de datos de entrenamiento.
• Validación: Los anticuerpos generados in silico mostraron unión física y neutralización viral potente contra SARS-CoV-2, Virus Sincicial Respiratorio (VSR) e Influenza, con diversos modos de unión confirmados por Crio-Microscopía Electrónica (Cryo-EM).

El descubrimiento tradicional de anticuerpos monoclonales es un proceso lento, costoso y a menudo ineficiente, que depende de la inmunización de animales o del cribado masivo de bibliotecas de fagos. Aunque la IA ha avanzado en la optimización de anticuerpos existentes, el “santo grial” ha sido el diseño generativo target-specific, sin necesidad de una estructura de cristal ni de un anticuerpo semilla. Un equipo liderado por la Universidad de Vanderbilt y publicado en Cell (2025) presenta MAGE (monoclonal antibody generator), un modelo que resuelve este problema al aplicar la arquitectura de los LLMs (como GPT) al lenguaje de la inmunología.

🦠 Contexto Biológico: El problema del espacio de secuencia

El sistema inmune humano genera diversidad de anticuerpos mediante recombinación V(D)J e hipermutación somática (SHM) para explorar un espacio de secuencia casi infinito (  posibilidades).
Computacionalmente, predecir qué secuencia de aminoácidos (anticuerpo) se unirá a otra (antígeno) resulta extremadamente complejo debido a la flexibilidad de los bucles CDR (Regiones Determinantes de Complementariedad) y a la escasez de datos estructurales a gran escala. Los modelos anteriores dependían de una estructura 3D escasa o solo optimizaban anticuerpos ya conocidos.

🛠️ La Metodología

El equipo construyó MAGE utilizando una estrategia de aprendizaje profundo sobre secuencias:

1. Arquitectura Base: Utilizaron ProGen2, un modelo de lenguaje pre-entrenado con miles de millones de secuencias de proteínas generales.
2. Dataset de Entrenamiento Mejorado: Curaron bases de datos públicas (SAbDab, CoV-AbDab) y generaron datos propios masivos usando LIBRA-seq (una técnica de alto rendimiento que vincula la secuencia del receptor de células B con su especificidad antigénica), logrando un corpus de ~18,500 pares anticuerpo-antígeno de alta calidad.
3. Fine-Tuning: Entrenaron al modelo para completar la frase: “Dada la secuencia del antígeno [X], la secuencia del anticuerpo es…”, utilizando un enfoque autorregresivo.

⚙️ El Mecanismo Molecular y Lógica de Diseño

MAGE no “copia y pega” anticuerpos existentes; aprende la gramática de la interacción proteína-proteína.

• Diversidad Generativa: Los anticuerpos resultantes mostraron un uso diverso de genes V y longitudes de CDRH3.
• Hipermutación Somática (SHM) Artificial: El modelo introdujo mutaciones fuera de la línea germinal, imitando el proceso natural de maduración de afinidad.

• Reconocimiento de Epítopos: Mediante Cryo-EM, se observó que los anticuerpos diseñados por MAGE para el VSR atacaban el sitio antigénico V y el sitio I, demostrando que el modelo puede inferir superficies de unión funcionalmente relevantes sin información estructural explícita.

📉 Resultados Fenotípicos: Validación Experimental

El rendimiento del modelo fue probado en el laboratorio con resultados contundentes:

1. SARS-CoV-2: De 20 diseños probados, 9 unieron al RBD. Uno de ellos neutralizó el virus con una potencia de
2.        

(rango terapéutico).

3. VSR: Generaron anticuerpos que unían la conformación prefusionada de la proteína F, validando su uso para objetivos conformacionalmente complejos.
4. Influenza H5N1 (Prueba de Fuego): Se le pidió al modelo diseñar anticuerpos contra una cepa emergente de H5N1 (A/Texas/37/2024) no vista durante el entrenamiento. MAGE logró generar anticuerpos neutralizantes específicos, demostrando capacidad de respuesta ante pandemias nuevas.

🌍 Perspectivas e Impacto

MAGE representa un cambio de paradigma en la biotecnología. Permite pasar de la “inmunización y cribado” (que tarda meses) al “diseño y síntesis” (que tarda días).
Esto es crítico para la preparación pandémica, permitiendo generar terapias de anticuerpos monoclonales contra patógenos emergentes casi inmediatamente después de secuenciar su genoma, reduciendo drásticamente los tiempos de desarrollo de biológicos.

📖 Referencia Completa:
Wasdin, P. T., Johnson, N. V., Janke, A. K., et al., & Georgiev, I. S. (2025). Generation of antigen-specific paired-chain antibodies using large language models. Cell, 188, 1–16. https://doi.org/10.1016/j.cell.2025.10.006