Modelos moleculares integrales en inmunología para apoyar a los médicos en tratamientos personalizados
María Rodríguez Martínez, Líder Técnica de Biología de Sistemas Computacionales, IBM Research Zurich
La respuesta inmunitaria es un proceso adaptativo que implica complejas respuestas a diferentes escalas para impedir el crecimiento de los patógenos invasores. El objetivo es crear una respuesta eficaz en el menor tiempo posible. Investigadores de IBM Research están trabajando en la creación de modelos personalizados y multiescala del sistema inmunutario. Con ese fin, utilizan una combinación de métodos de modelaje determinísticos, estocásticos y de inteligencia artificial. Estos modelos híbridos permiten predecir como los receptores de las células del sistema inmunitario se acoplan a los antígenos, así como las interacciones celulares y sistémicas que se activan a raíz de la detección de un antígeno.
Tales simulaciones in silico -es decir, simulación computacional- de la respuesta inmunitaria son reproducibles, de manera rápida y a bajo costo, y pueden ayudar a entender mejor los mecanismos detrás de trastornos autoinmunes, así como, facilitar la optimización de inmunoterapias más efectivas para pacientes con cáncer. Otros beneficios incluyen el desarrollo de vacunas, la optimización de tests serológicos y una comprensión más profunda del sistema inmunitario.
En la actualidad, uno de los proyectos en los que trabaja uno de los equipos de IBM Research está relacionado con el modelaje estocástico multiescala del desarrollo y maduración de las células B, también conocidas como linfocitos B. Estas son células tienen la función clave de generar anticuerpos, que son esenciales para eliminar patógenos.
En la superficie de un linfocito B pueden encontrarse cientos de miles de receptores para antígenos. Las células B proliferan en compartimientos especializados de los órganos secundarios del sistema linfático llamados centros germinales. Los investigadores de IBM buscan simular la evolución de las células B a través de árboles filogenéticos.
Otro proyecto se ocupa en dilucidar detalles sobre la unión de antígenos y receptores en las células T, las cuales se especializan en reconocer selectivamente a antígenos extraños. El modelo calcula la probabilidad de unión entre antígeno y receptor, y tiene la peculiaridad de ser interpretable, lo cual es posible gracias a mecanismos de atención incorporados en un modelo de redes neuronales (Deep Learning).
La interpretabilidad es una característica esencial y no siempre presente en estos tipos de modelos. Muy al contrario, a menudo se comportan como cajas negras que no permiten acceder a información sobre el modo en el que han llegado a una conclusión o resultado. Para su uso en la investigación biomedica, sin embargo, la interpretabilidad, o sea la transparencia de los modelos, es imprescindible.
Resumiendo: su trabajo en el modelaje -y en un futuro el diseño- de la respuesta inmunitaria se basa en modelos híbridos que incorporan varias escalas y diferentes métodos, incluyendo modelos de Deep Learning. Esta investigación tiene el potencial de contribuir a un mejor entendimiento del sistema inmunitario en general y podría ayudar al desarrollo de vacunas y de terapias personalizadas para diferentes enfermedades.
Referencias:
- Pélissier, Aurélien, et al. Cells (2020). https://www.mdpi.com/2073-4409/9/6/1448
- . Born et al, iScience, 2021. https://www.sciencedirect.com/science/article/pii/S2589004221002376
- https://www.zurich.ibm.com/compsysbio/software.html
- https://github.com/IBM/depiction