Mejorar el desarrollo de fármacos con un amplio mapa del sistema inmunitario

foto-resumen

Por Zach Winn El sistema inmunitario humano es una red formada por billones de células que circulan constantemente por todo el cuerpo. La red celular orquesta las interacciones con cada órgano y tejido para llevar a cabo una lista increíblemente larga de funciones que los científicos todavía están trabajando para comprender. Toda esa complejidad limita nuestra capacidad para predecir qué pacientes responderán a los tratamientos y cuáles podrían sufrir efectos secundarios debilitantes. El problema a menudo lleva a las compañías farmacéuticas a dejar de desarrollar medicamentos que podrían ayudar a ciertos pacientes, deteniendo los ensayos clínicos incluso cuando los medicamentos muestran resultados prometedores para algunas personas. Ahora, Immunai está ayudando a predecir cómo responderán los pacientes a los tratamientos mediante la construcción de un mapa completo del sistema inmunitario. La compañía ha reunido una vasta base de datos que llama AMICA, que combina múltiples capas de datos de expresión de genes y proteínas en células con datos de ensayos clínicos para hacer coincidir los medicamentos correctos con los pacientes correctos. "Nuestro punto de partida fue crear lo que yo llamo Google Maps para el sistema inmunológico", dice el cofundador y CEO de Immunai, Noam Solomon. "Comenzamos con la secuenciación de ARN de una sola célula y, con el tiempo, hemos agregado más y más 'ómicas': genómica, proteómica, epigenómica, todo para medir la expresión y función celular del sistema inmunológico, para medir el entorno inmunológico de manera holística. Luego comenzamos a trabajar con compañías farmacéuticas y hospitales para perfilar el sistema inmunológico de los pacientes que se someten a tratamientos para llegar realmente a los mecanismos de acción y resistencia de las terapias". La base de big data de Immunai es el resultado de la experiencia única de sus fundadores. Solomon y el cofundador Luis Voloch '13, SM '15 son licenciados en matemáticas y ciencias de la computación. De hecho, Solomon era un postdoctorado en el Departamento de Matemáticas del MIT en el momento de la fundación de Immunai. Solomon enmarca la misión de Immunai como detener la divergencia de décadas entre las ciencias de la computación y las ciencias de la vida. Él cree que el factor más importante que impulsa la explosión de la computación ha sido la Ley de Moore, nuestra capacidad para aumentar exponencialmente el número de transistores en un chip en los últimos 60 años. En la industria farmacéutica, está ocurriendo lo contrario: según una estimación, el costo de desarrollar un nuevo medicamento se duplica aproximadamente cada nueve años. El fenómeno ha sido bautizado como la Ley de Eroom ("Eroom" por "Moore" deletreado al revés). Solomon considera que la tendencia erosiona el desarrollo de nuevos fármacos, con enormes consecuencias para los pacientes. "¿Por qué deberían las compañías farmacéuticas invertir en descubrimiento si no obtendrán un retorno de la inversión?" —pregunta Salomón. "Hoy en día, solo hay entre un 5 y un 10 por ciento de posibilidades de que cualquier ensayo clínico tenga éxito. Lo que hemos construido a través de un mapeo muy robusto y granular del sistema inmunológico es una oportunidad para mejorar las etapas preclínicas y clínicas del desarrollo de fármacos". Un cambio de planes Solomon ingresó a la Universidad de Tel Aviv cuando tenía 14 años y obtuvo su licenciatura en ciencias de la computación a los 19. Obtuvo dos doctorados en Israel, uno en ciencias de la computación y otro en matemáticas, antes de llegar al MIT en 2017 como postdoctorado para continuar su carrera de investigación matemática. Ese año, Solomon conoció a Voloch, quien ya había obtenido una licenciatura y una maestría en matemáticas y ciencias de la computación en el MIT. Pero los investigadores pronto se vieron expuestos a un problema que los sacaría de su zona de confort y cambiaría el curso de sus carreras. El abuelo de Voloch estaba recibiendo un cóctel de tratamientos para el cáncer en ese momento. El cáncer entró en remisión, pero sufrió terribles efectos secundarios que hicieron que dejara de tomar su medicación. Voloch y Solomon comenzaron a preguntarse si su experiencia podría ayudar a pacientes como el abuelo de Voloch. "Cuando nos dimos cuenta de que podíamos tener un impacto, tomamos la difícil decisión de dejar nuestras actividades académicas y comenzar un nuevo viaje", recuerda Solomon. "Ese fue el punto de partida de Immunai". Voloch y Solomon pronto se asociaron con los cofundadores científicos de Immunai, Ansu Satpathy, investigador de la Universidad de Stanford en ese momento, y Danny Wells, investigador del Instituto Parker de Inmunoterapia contra el Cáncer. Satpathy y Wells habían demostrado que la secuenciación de ARN de una sola célula podría usarse para obtener información sobre por qué los pacientes responden de manera diferente a un tratamiento común contra el cáncer. El equipo comenzó a analizar los datos de secuenciación de ARN de una sola célula publicados en artículos científicos, tratando de vincular los biomarcadores comunes con los resultados de los pacientes. A continuación, integraron datos de la base de datos de salud pública Biobank del Reino Unido, y descubrieron que podían mejorar las predicciones de sus modelos. Pronto estaban incorporando datos de hospitales, instituciones de investigación académica y compañías farmacéuticas, analizando información sobre la estructura, la función y el entorno de las células (multiómica) para obtener una imagen más clara de la actividad inmunitaria. "La secuenciación de una sola célula te da métricas que puedes medir en miles de células, donde puedes ver 20.000 genes diferentes, y esas métricas te dan un perfil inmunológico", explica Solomon. "Cuando se mide todo eso a lo largo del tiempo, especialmente antes y después de recibir terapia, y se compara a los pacientes que responden con los pacientes que no lo hacen, se pueden aplicar modelos de aprendizaje automático para comprender por qué". Esos datos y modelos conforman AMICA, lo que Immunai llama la base de conocimiento inmunológico a nivel celular más grande del mundo. AMICA son las siglas de Atlas Multiómico Anotado de Células Inmunitarias. Analiza datos multiómicos de células individuales de casi 10.000 pacientes y datos de ARN masivo de 100.000 pacientes en más de 800 tipos de células y 500 enfermedades. En el centro del enfoque de Immunai se encuentra un enfoque en el sistema inmunológico, que otras compañías evitan debido a su complejidad. "No queremos ser como otros grupos que estudian principalmente microambientes tumorales", dice Solomon. "Nos fijamos en el sistema inmunitario porque el sistema inmunitario es el denominador común. Es el único sistema que está implicado en todas las enfermedades, en la respuesta de tu cuerpo a todo lo que encuentras, ya sea una infección viral o una infección bacteriana o un medicamento que estás recibiendo, incluso cómo estás envejeciendo". Convertir los datos en mejores tratamientos Immunai ya se ha asociado con algunas de las compañías farmacéuticas más grandes del mundo para ayudarlas a identificar tratamientos prometedores y establecer sus ensayos clínicos para el éxito. Los conocimientos de Immunai pueden ayudar a los socios a tomar decisiones críticas sobre los programas de tratamiento, las dosis, las combinaciones de medicamentos, la selección de pacientes y más. "Todo el mundo habla de la IA, pero creo que el aspecto más emocionante de la plataforma que hemos construido es el hecho de que está integrada verticalmente, desde el laboratorio húmedo hasta el modelado computacional con múltiples iteraciones", dice Solomon. "Por ejemplo, podemos hacer perfiles inmunológicos de una sola célula de muestras de pacientes, luego cargamos esos datos en la nube y nuestros modelos computacionales obtienen información, y con esa información hacemos una validación in vitro o in vivo para ver si nuestros modelos son correctos y los mejoramos de forma iterativa". En última instancia, Immunai quiere hacer posible un futuro en el que los experimentos de laboratorio puedan convertirse de forma más fiable en nuevas recomendaciones y tratamientos impactantes para los pacientes. "Los científicos pueden curar casi todos los tipos de cáncer, pero solo en ratones", dice Solomon. "En modelos preclínicos sabemos cómo curar el cáncer. En los seres humanos, en la mayoría de los casos, todavía no lo hacemos. Para superar eso, la mayoría de los científicos están buscando mejores modelos ex vivo o in vivo. Nuestro enfoque es ser más agnósticos en cuanto al sistema modelo, pero alimentar la máquina con más y más datos de múltiples sistemas modelo. Estamos demostrando que nuestros algoritmos pueden superar repetidamente los principales puntos de referencia en la identificación de las principales características inmunitarias preclínicas que coinciden con los resultados de los pacientes".