Cómo la IA ayudó a crear vacunas de RNA resistentes al calor

Resumen

Las vacunas basadas en RNA cambiaron la respuesta global a la pandemia de Covid-19, pero su fragilidad térmica sigue siendo una barrera para la distribución mundial. Investigadores del MIT desarrollaron una estrategia que usa un algoritmo de inteligencia artificial para optimizar la formulación de las nanopartículas lipídicas (LNP) que transportan el RNA, logrando preparaciones que conservan estabilidad a temperatura ambiente por hasta un año y a casi 100 °F durante dos meses. En pruebas en ratones, esas vacunas produjeron respuestas inmunes comparables a las de formulaciones tipo Moderna.

El problema del frío y su impacto en la distribución

El RNA es una molécula intrínsecamente inestable; por eso las vacunas lo encapsulan en LNP que lo protegen y facilitan su entrada a las células. Aun así, muchas formulaciones requieren almacenamiento ultracongelado (-20 a -80 °C), lo que complica su envío y la logística en áreas sin infraestructura de cadena de frío robusta. En América Latina —donde hay regiones remotas y sistemas de salud con recursos limitados— esta dependencia de frío es un obstáculo importante para ampliar el acceso a vacunas basadas en RNA.

Más aún, vacunas térmicamente estables permitirían explorar formatos de administración alternativos, como parches microneedle, que facilitan campañas de vacunación masiva y reducen la necesidad de personal sanitario especializado para la inyección.

Estrategia: combinar ciencia experimental con IA

El equipo del MIT, liderado por Ana Jaklenec y Robert Langer, retomó la idea de estabilizar LNP mediante excipientes —azúcares, sales o polímeros— y buscó cómo aplicar esos aditivos a formulaciones similares a las aprobadas por la FDA usadas en vacunas comerciales. En estudios previos habían logrado LNP estabilizados con polímeros, pero esos LNP diferían de las formulaciones aprobadas. Ahora el objetivo fue encontrar combinaciones que funcionaran con las formulaciones ya usadas en el campo clínico.

Ante la dificultad de probar exhaustivamente todas las combinaciones posibles, el equipo recurrió a un enfoque de aprendizaje automático desarrollado en colaboración con CSAIL (Computer Science and Artificial Intelligence Lab). El algoritmo está diseñado para aprender a partir de conjuntos de datos pequeños y sugerir formulaciones prometedoras sin requerir miles de experimentos. Según los autores, esto permitió converger en soluciones estables en pocas iteraciones, en vez de una búsqueda extensa y prolongada.

Diseño experimental: de 50 excipientes a una formulación candidata

Los investigadores empezaron evaluando casi 50 excipientes aprobados por la FDA. Para medir la capacidad de cada excipiente para proteger el RNA dentro de LNP, utilizaron mRNA que codifica la luciferasa de luciérnaga: al introducir esas LNP en células, la luz emitida sirve como indicador de cuánto RNA funcional llegó a la célula y, por ende, de la efectividad protectora del excipiente.

Con esos datos iniciales identificaron cinco excipientes con mejor desempeño. A partir de ahí, el algoritmo generó predicciones sobre las proporciones de esos excipientes que podrían maximizar la estabilidad en LNP semejantes a los usados por Moderna. El equipo probó dos formulaciones por ciclo, alimentó los resultados de vuelta al algoritmo y repitió el proceso iterativo. En cuestión de semanas lograron seleccionar una formulación candidata digna de evaluación en animales; sin IA, ese progreso hubiera tomado meses y muchas más pruebas experimentales.

Pruebas de estabilidad y respuesta inmune

La formulación identificada fue sometida a procesos de desecación por vacío (vacuum drying) y almacenada bajo condiciones exigentes: a 37 °C (98 °F) durante dos meses y a temperatura ambiente durante un año. Tras esos períodos, las LNP fueron usadas para entregar antígenos de Covid-19 en ratones. Los animales vacunados con las LNP estabilizadas mostraron respuestas inmunes equivalentes a las observadas con LNP basadas en la formulación original tipo Moderna.

Además, los investigadores fabricaron parches microneedle sólidos que contenían el antigeno empaquetado en la formulación resistente al calor, demostrando que la estabilidad térmica facilita explorar este formato de administración.

Qué significa esto para América Latina y países con recursos limitados

Aunque los resultados son todavía preclínicos, la capacidad de mantener vacunas de RNA estables sin ultracongelación tiene implicaciones prácticas claras. Reducciones en los requisitos de refrigeración pueden simplificar la logística de cadena de frío, disminuir costos operativos y acelerar campañas de vacunación en zonas rurales o con infraestructura deficiente. La posibilidad de usar parches microneedle podría además reducir la necesidad de jeringas, agujas y personal médico para administrar dosis, facilitando estrategias de cobertura masiva.

Para sistemas de salud latinoamericanos, avances como este podrían aumentar la autonomía en la distribución de vacunas nuevas —incluyendo aquellas en desarrollo para enfermedades además del Covid-19— y mejorar la capacidad de respuesta ante brotes locales.

Limitaciones y próximos pasos

Los resultados publicados en Nature Biotechnology corresponden a trabajos iniciales y su eficacia y seguridad deben confirmarse en ensayos clínicos en humanos. La formulación mostró equivalencia en la respuesta inmune de ratones, pero estudios adicionales son necesarios para evaluar dosis, tolerabilidad y escalabilidad de producción bajo normativas regulatorias.

Además, aunque el algoritmo permitió reducir drásticamente el número de experimentos, la manufactura y control de calidad a gran escala exigirá validaciones rigurosas. Finalmente, la adopción en países de la región dependerrá también de factores regulatorios, industriales y de inversión en infraestructura de producción y distribución.

Conclusión

El trabajo del MIT muestra cómo la inteligencia artificial puede acelerar el desarrollo de soluciones prácticas en biomedicina: optimizó combinaciones de excipientes para estabilizar LNP y obtuvo formulaciones de RNA que resisten condiciones térmicas mucho más exigentes sin perder eficacia en modelos animales. Si estos hallazgos se traducen a productos clínicos, podrían transformar la logística de vacunas basadas en RNA y abrir nuevas opciones de administración, con especial relevancia para regiones con limitaciones en la cadena de frío, como muchas áreas de América Latina.

Autores principales del estudio incluyen a los estudiantes Jinbi Tian y Khanh Tran; entre los colaboradores está Mina Konaković Luković de CSAIL. El trabajo fue publicado en Nature Biotechnology.