La biología nunca es simple. A medida que los investigadores avanzan en la lectura y la edición de genes para tratar la enfermedad, por ejemplo, un creciente cuerpo de evidencia sugiere que las proteínas y los metabolitos que rodean esos genes no pueden ignorarse.
El SpinOut de MIT Revivemed ha creado una plataforma para medir metabolitos, productos del metabolismo como los lípidos, el colesterol, el azúcar y los carbohidratos, a escala. La compañía está utilizando esas mediciones para descubrir por qué algunos pacientes responden a los tratamientos cuando otros no y para comprender mejor a los impulsores de la enfermedad.
«Históricamente, hemos podido medir unos pocos cientos de metabolitos con alta precisión, pero esa es una fracción de los metabolitos que existen en nuestros cuerpos», dice la CEO Reviviente Leila Pirhaji PhD ’16, que fundó la compañía con el profesor Ernest Fraenkel. “Hay una brecha masiva entre lo que estamos mediante con precisión y lo que existe en nuestro cuerpo, y eso es lo que queremos abordar. Queremos aprovechar las poderosas ideas de los datos de metabolitos subutilizados ”.
El progreso de Revivemed se produce cuando la comunidad médica más amplia está vinculando cada vez más metabolitos desregulados con enfermedades como el cáncer, el Alzheimer y la enfermedad cardiovascular. Revivemed está utilizando su plataforma para ayudar a algunas de las compañías farmacéuticas más grandes del mundo a encontrar pacientes que se beneficiarán de sus tratamientos. También está ofreciendo software a investigadores académicos de forma gratuita para ayudar a obtener información de los datos de metabolitos sin explotar.
«Con el campo de la AI en auge, creemos que podemos superar los problemas de datos que han limitado el estudio de los metabolitos», dice Pirhaji. «No hay un modelo de base para la metabolómica, pero vemos cómo estos modelos están cambiando varios campos, como la genómica, por lo que estamos comenzando a ser pioneros en su desarrollo».
Encontrar un desafío
Pirhaji nació y creció en Irán antes de venir al MIT en 2010 para perseguir su doctorado en ingeniería biológica. Anteriormente había leído los trabajos de investigación de Fraenkel y estaba entusiasmada de contribuir a los modelos de red que estaba construyendo, lo que integraba datos de fuentes como genomas, proteomas y otras moléculas.
«Estábamos pensando en el panorama general en términos de lo que puede hacer cuando puede medir todo: los genes, el ARN, las proteínas y las moléculas pequeñas como los metabolitos y los lípidos», dice Fraenkel, quien actualmente sirve en la junta directiva de Revivemed. . “Probablemente solo podamos medir algo así como 0.1 por ciento de las moléculas pequeñas en el cuerpo. Pensamos que tenía que haber una forma de obtener una visión tan integral de esas moléculas como lo tenemos para las otras. Eso nos permitiría mapear todos los cambios que ocurren en la célula, ya sea en el contexto del cáncer o el desarrollo o las enfermedades degenerativas «.
Aproximadamente a la mitad de su doctorado, Pirhaji envió algunas muestras a un colaborador en la Universidad de Harvard para recopilar datos sobre el metaboloma, las moléculas pequeñas que son los productos de los procesos metabólicos. El colaborador envió a Pirhaji una gran hoja de Excel con miles de líneas de datos, pero le dijeron que era mejor ignorando todo más allá de las 100 filas principales porque no tenían idea de qué significaban los otros datos. Ella tomó eso como un desafío.
«Comencé a pensar que tal vez podríamos usar nuestros modelos de red para resolver este problema», recuerda Pirhaji. “Había mucha ambigüedad en los datos, y fue muy interesante para mí porque nadie había intentado esto antes. Parecía una gran brecha en el campo «.
Pirhaji desarrolló un gran gráfico de conocimiento que incluía millones de interacciones entre proteínas y metabolitos. Los datos eran ricos pero desordenados: Pirhaji lo calificó como una «bola de cabello» que no podía decirles a los investigadores nada sobre la enfermedad. Para hacerlo más útil, creó una nueva forma de caracterizar las vías y características metabólicas. En un artículo de 2016 en Métodos de la naturalezadescribió el sistema y lo usó para analizar los cambios metabólicos en un modelo de enfermedad de Huntington.
Inicialmente, Pirhaji no tenía intención de comenzar una empresa, pero comenzó a darse cuenta del potencial comercial de la tecnología en los últimos años de su doctorado.
«No hay cultura empresarial en Irán», dice Pirhaji. «No sabía cómo iniciar una empresa o convertir la ciencia en una startup, así que aproveché todo lo que MIT ofreció».
Pirhaji comenzó a tomar clases en la MIT Sloan School of Management, incluido el curso 15.371 (equipos de innovación), donde se asoció con compañeros de clase para pensar en cómo aplicar su tecnología. También utilizó el Servicio de Mentoría de Venture de MIT y el MIT Sandbox, y participó en el Centro de confianza de Martin para el Delta V Startup Accelerator de MIT Entrepreneurship.
Cuando Pirhaji y Fraenkel fundaron oficialmente Revivemed, trabajaron con la oficina de licencias de tecnología del MIT para acceder a las patentes en torno a su trabajo. Desde entonces, Pirhaji ha desarrollado la plataforma para resolver otros problemas que descubrió de las conversaciones con cientos de líderes en compañías farmacéuticas.
Revivemado comenzó trabajando con hospitales para descubrir cómo los lípidos están desregulados en una enfermedad conocida como esteatohepatitis asociada a la disfunción metabólica. En 2020, Revivemed trabajó con Bristol Myers Squibb para predecir cómo los subconjuntos de pacientes con cáncer responderían a las inmunoterapias de la compañía.
Desde entonces, Revivemed ha trabajado con varias compañías, incluidas cuatro de las 10 principales compañías farmacéuticas globales, para ayudarlos a comprender los mecanismos metabólicos detrás de sus tratamientos. Esas ideas ayudan a identificar a los pacientes que se beneficiarán más de las diferentes terapias más rápidamente.
«Si sabemos qué pacientes se beneficiarán de cada medicamento, realmente disminuiría la complejidad y el tiempo asociados con los ensayos clínicos», dice Pirhaji. «Los pacientes obtendrán los tratamientos correctos más rápido».
Modelos generativos para metabolómica
A principios de este año, Revivemed recolectó un conjunto de datos basado en 20,000 muestras de sangre del paciente que utilizó para crear gemelos digitales de pacientes y modelos de IA generativos para la investigación de la metabolómica. Revivemed está haciendo que sus modelos generativos estén disponibles para los investigadores académicos sin fines de lucro, lo que podría acelerar nuestra comprensión de cómo los metabolitos influyen en una variedad de enfermedades.
«Estamos democratizando el uso de datos metabolómicos», dice Pirhaji. «Es imposible para nosotros tener datos de todos los pacientes del mundo, pero nuestros gemelos digitales pueden usarse para encontrar pacientes que puedan beneficiarse de los tratamientos basados en su demografía, por ejemplo, al encontrar pacientes que podrían estar en riesgo de enfermedad cardiovascular . »
El trabajo es parte de la misión de Revivemed para crear modelos de fundaciones metabólicas que los investigadores y las compañías farmacéuticas pueden usar para comprender cómo las enfermedades y los tratamientos cambian los metabolitos de los pacientes.
«Leila resolvió muchos problemas realmente difíciles que enfrenta cuando intentas sacar una idea del laboratorio y convertirla en algo que sea lo suficientemente robusto y reproducible como para desplegar en biomedicina», dice Fraenkel. «En el camino, también se dio cuenta de que el software de que ha desarrollado es increíblemente poderoso por sí mismo y podría ser transformador».
