En el desarrollo de fármacos de anticuerpos, surge un desafío persistente cuando las moléculas candidatas demuestran un rendimiento prometedor in vitro pero revelan riesgos de inmunogenicidad durante evaluaciones avanzadas, lo que a menudo requiere volver a la etapa de diseño para una reoptimización. Este problema de "retrabajo en etapas tardías" ocurre con frecuencia a medida que los fármacos de anticuerpos se utilizan cada vez más en oncología, enfermedades autoinmunes y enfermedades infecciosas, lo que obliga a los equipos de investigación y desarrollo a buscar un nuevo equilibrio entre eficiencia, seguridad y rendimiento molecular.
Durante la humanización de anticuerpos, los investigadores deben equilibrar repetidamente la reducción de riesgos inmunológicos con la preservación de la actividad de unión. Para abordar esto, Creative Biolabs emplea modelos de IA para realizar análisis multidimensionales de secuencias de anticuerpos, evaluando sistemáticamente los impactos potenciales de diferentes esquemas de reemplazo de marcos en la inmunogenicidad y la estabilidad estructural. Este enfoque de diseño basado en datos tiene como objetivo mantener las características de unión originales mientras evita de antemano esquemas de alto riesgo, reduciendo así el tiempo y el costo asociados con experimentos repetidos.
Para moléculas candidatas que han pasado por una humanización inicial pero aún presentan riesgos inmunológicos durante evaluaciones posteriores, Creative Biolabs ha introducido una estrategia de eliminación de inmunogenicidad mediante IA. Al predecir epítopos potenciales de células T e identificar regiones de alto riesgo, los investigadores pueden optimizar secuencias con precisión sin interferir con áreas funcionales, mejorando la seguridad y aceptabilidad de los anticuerpos candidatos en etapas posteriores de desarrollo clínico.
Durante la etapa de maduración de afinidad, se utilizan modelos de predicción de mutaciones impulsados por IA para identificar sitios clave que mejoran la unión antigénica y guían la construcción de bibliotecas de mutaciones más enfocadas. Combinado con cribado experimental de alto rendimiento, el equipo de I+D puede obtener variantes de anticuerpos con afinidad significativamente mejorada y fuerte potencial de desarrollo en un período relativamente corto. Los datos del proyecto indican que las estrategias de predicción de IA pueden reducir efectivamente la proporción de mutaciones ineficaces, mejorando así la eficiencia general del cribado.
La integración de capacidades algorítmicas con plataformas experimentales ofrece una opción más eficiente y controlable para la optimización temprana de fármacos de anticuerpos. Este enfoque proporciona una nueva ruta práctica para que la industria explore modelos de I+D basados en datos, transformando potencialmente cómo se desarrollan los anticuerpos terapéuticos. Al iterar e integrar continuamente predicciones algorítmicas con datos experimentales, los riesgos potenciales pueden identificarse antes, ofreciendo soluciones de optimización más prospectivas para clientes en los sectores farmacéutico y biotecnológico.
