La detección temprana del cáncer es un factor crucial que podría **reducir drásticamente** las tasas de mortalidad asociadas a esta enfermedad. Con el objetivo de lograr esta meta, investigadores del **MIT** y **Microsoft** han puesto en marcha un innovador enfoque utilizando la inteligencia artificial para diseñar sensores moleculares que faciliten la identificación precoz de distintos tipos de cáncer.
El equipo ha desarrollado un modelo de IA capaz de crear péptidos, que son proteínas cortas, dirigidos a enzimas denominadas proteasas, las cuales se encuentran sobreactivas en las células cancerosas. Estos péptidos están recubriendo nanopartículas que pueden actuar como sensores, emitiendo una señal si se detectan proteasas relacionadas con el cáncer en cualquier parte del cuerpo.
Con base en las proteasas identificadas, los médicos podrían diagnosticar el tipo específico de cáncer presente. Este proceso podría llevarse a cabo mediante una sencilla prueba de orina que incluso podría realizarse en casa.
Un enfoque revolucionario para la detección
“Nos enfocamos en la detección ultra-sensible en enfermedades como las etapas iniciales del cáncer, cuando la carga tumoral es pequeña o al inicio de una recurrencia tras la cirugía”, explica Sangeeta Bhatia, profesora del MIT y miembro del Instituto Koch para la Investigación Integrativa del Cáncer. Junto a ella, Ava Amini, investigadora principal en Microsoft Research y exalumna de su laboratorio, son coautores principales del estudio publicado recientemente en Nature Communications.
La idea original sobre el uso de la actividad de las proteasas como marcador para detectar el cáncer surgió hace más de diez años en el laboratorio de Bhatia. Las proteasas son enzimas que pueden descomponer otras proteínas y suelen estar sobreactivas en células cancerosas, facilitando su desplazamiento al romper los componentes de la matriz extracelular que normalmente mantienen a las células en su lugar.
Los investigadores propusieron recubrir nanopartículas con péptidos susceptibles a ser cortados por una proteasa específica. Estas partículas podrían ser ingeridas o inhaladas; al moverse por el organismo, si encontraran alguna proteasa vinculada al cáncer, los péptidos serían liberados.
Avances significativos con inteligencia artificial
Estos péptidos se excretarían en la orina, donde podrían ser detectados mediante una tira reactiva similar a las utilizadas en pruebas de embarazo. La medición de estas señales revelaría la actividad anormal de proteasas dentro del cuerpo.
Bhatia destaca: “Hemos estado avanzando con la idea de que si puedes crear un sensor basado en estas proteasas y multiplexarlas, podrías encontrar firmas donde estas enzimas están activas en diversas enfermedades”. Esta estrategia permite amplificar significativamente las señales detectadas.
Hasta ahora, los estudios anteriores habían utilizado un proceso empírico para identificar los péptidos adecuados. Sin embargo, este nuevo estudio utiliza un sistema innovador llamado **CleaveNet**, diseñado específicamente para generar secuencias peptídicas que sean cortadas eficientemente por las proteasas objetivo.
Creamos nuevas posibilidades diagnósticas
CleaveNet permite a los usuarios establecer criterios específicos para el diseño y genera candidatos peptídicos que cumplen con esos requisitos. Esto abre nuevas oportunidades para mejorar la eficacia diagnóstica de los sensores desarrollados.
Amini añade: “Si sabemos que una proteasa particular es clave para cierto tipo de cáncer y podemos optimizar el sensor para ser altamente sensible y específico hacia esa enzima, esto nos proporcionará una señal diagnóstica valiosa”. La combinación del poder computacional con estos enfoques promete acelerar considerablemente el descubrimiento y desarrollo de secuencias útiles.
Con respecto al modelo CleaveNet, se entrenó utilizando datos disponibles públicamente sobre aproximadamente 20,000 péptidos y sus interacciones con diferentes proteasas. Este modelo no solo predice qué secuencias serán cortadas por ciertas enzimas sino también cuán eficaces serán esas interacciones.
Proyecciones hacia un futuro prometedor
Bhatia está actualmente involucrada en un proyecto financiado por ARPA-H destinado a crear reporteros para un kit diagnóstico casero capaz de detectar hasta 30 tipos diferentes de cáncer basándose en mediciones específicas de actividad proteolítica. Estos sensores no solo incluirían detección mediada por MMPs (metaloproteinasas), sino también otras enzimas como serina y cisteína proteasas.
Además, los péptidos diseñados mediante CleaveNet podrían integrarse en tratamientos oncológicos como terapias basadas en anticuerpos. Esto permitiría liberar medicamentos únicamente cuando los péptidos se expongan a las proteasas presentes en el entorno tumoral, mejorando así su eficacia mientras se reducen efectos secundarios indeseados.
A medida que se combinan esfuerzos entre este trabajo y modelos avanzados, existe potencial para crear un **atlas integral** sobre la actividad proteásica abarcando múltiples clases y tipos celulares relacionados con diversos cánceres. Tal recurso podría acelerar aún más la investigación sobre detección temprana del cáncer y biología relacionada con las proteasas.
Si (
No(
