Uno de los 12 trabajos de Hércules, según la tradición antigua, fue destruir un monstruo de nueve cabezas llamado Hidra. El desafío era que cuando Hércules usó su espada para cortar una de las cabezas del monstruo, dos volverían a crecer en su lugar. Por lo tanto, necesitaba un arma adicional, una antorcha, para vencer a su enemigo.
Hay paralelismos entre esta leyenda y nuestra batalla de tres años y contando contra el SARS-Cov-2, el virus que causa el Covid-19. Cada vez que los científicos pensaban que habían sometido una cepa del virus, ya sea alfa, beta, delta u omicron, surgía otra variante o subvariante poco tiempo después.
Por esta razón, los investigadores del MIT y otras instituciones están preparando una nueva estrategia contra el virus: una vacuna novedosa que, a diferencia de las que se usan hoy en día, podría contrarrestar todas las variantes de la enfermedad, con una propiedad llamada «panvarianza» que podría evitar la necesidad de una inyección de refuerzo diferente cada vez que una nueva cepa entra en circulación. En un artículo publicado hoy en la revista Fronteras en Inmunologíael equipo informa sobre experimentos con ratones que demuestran la eficacia de la vacuna para prevenir la muerte por infección por Covid-19.
Las vacunas virales generalmente funcionan al exponer el sistema inmunitario a una pequeña parte del virus. Eso puede crear respuestas aprendidas que protejan a las personas más adelante cuando estén expuestas al virus real. La premisa de las vacunas estándar contra el covid-19, como las producidas por Moderna y Pfizer, es activar la parte del sistema inmunitario que libera anticuerpos neutralizantes. Lo hacen proporcionando a las células instrucciones (en forma de moléculas de ARNm) para producir la proteína de punta, una proteína que se encuentra en la superficie del virus Covid-19 cuya presencia puede desencadenar una reacción inmune. “El problema con ese enfoque es que el objetivo sigue cambiando” (la proteína espiga en sí misma puede variar entre diferentes cepas virales) “y eso puede hacer que la vacuna sea ineficaz”, dice David Gifford, profesor de ingeniería eléctrica e informática y biología del MIT. ingeniería, así como coautor del fronteras papel.
Él y sus colegas, en consecuencia, han adoptado un enfoque diferente, seleccionando un objetivo diferente para su vacuna: activar la parte del sistema inmunitario que libera las células T «asesinas», que atacan a las células infectadas con el virus. Una vacuna de este tipo no evitará que las personas se contagien de covid-19, pero podría evitar que se enfermen gravemente o mueran.
Una innovación clave realizada por este grupo, que incluía investigadores del MIT, la Universidad de Texas, la Universidad de Boston, la Universidad de Tufts, el Hospital General de Massachusetts y Acuitas Therapeutics, fue incorporar técnicas de aprendizaje automático en el proceso de diseño de vacunas. Un aspecto crítico de ese proceso implica determinar qué partes del SARS-Cov-2, qué péptidos (cadenas de aminoácidos que son los componentes básicos de las proteínas), deben incluirse en la vacuna. Eso implica examinar miles de péptidos en el virus y seleccionar solo unos 30 que deberían incorporarse.
Pero esa decisión debe tener en cuenta las llamadas moléculas HLA, fragmentos de proteína en la superficie de las células que sirven como «vallas publicitarias», que le dicen a las células inmunitarias (que carecen de visión de rayos X) lo que sucede dentro de otras células. La visualización de fragmentos de proteínas específicos puede indicar, por ejemplo, que una determinada célula está infectada por el SARS-Cov-2 y debe eliminarse.
Los algoritmos de aprendizaje automático se utilizaron para resolver un conjunto complicado de «problemas de optimización», señala Brandon Carter, estudiante de doctorado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, afiliado al Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), y un autor principal del nuevo artículo. El objetivo principal es seleccionar péptidos que estén presentes o «conservados» en todas las variantes del virus. Pero esos péptidos también deben asociarse con moléculas HLA que tienen una alta probabilidad de mostrarse para que puedan alertar al sistema inmunitario. “Desea que esto suceda en tantas personas como sea posible para obtener la máxima cobertura de población de su vacuna”, dice Carter. Además, desea que cada individuo esté cubierto varias veces por la vacuna, agrega. «Esto significa que se predice que más de un péptido en la vacuna se mostrará en algunos HLA en cada persona». Lograr estos diversos objetivos es una tarea que puede acelerarse significativamente con las herramientas de aprendizaje automático.
Si bien eso toca el final teórico de este proyecto, los últimos resultados provienen de experimentos realizados por colaboradores de la Rama Médica de la Universidad de Texas en Galveston, que mostraron una fuerte respuesta inmune en ratones que recibieron la vacuna. Los ratones en este experimento no murieron, pero fueron «humanizados», lo que significa que tenían una molécula HLA que se encuentra en las células humanas. «Este estudio», dice Carter, «ofrece pruebas en un sistema vivo, un ratón real, de que las vacunas que diseñamos utilizando el aprendizaje automático pueden brindar protección contra el virus Covid». Gifford caracteriza su trabajo como “la primera evidencia experimental de que una vacuna formulada de esta manera sería efectiva”.
Paul Offit, profesor de pediatría en la División de Enfermedades Infecciosas del Hospital de Niños de Filadelfia, considera que los resultados son alentadores. «Muchas personas se preguntan qué enfoques se utilizarán para fabricar vacunas contra el covid-19 en el futuro», dice Offit. las respuestas celulares serán un importante paso adelante en la próxima generación de vacunas».
Se tendrían que realizar más estudios en animales, y eventuales estudios en humanos, antes de que este trabajo pueda marcar el comienzo de la «próxima generación de vacunas». El hecho de que el 24 por ciento de las células pulmonares en los ratones vacunados fueran células T, dice Gifford, “mostró que sus sistemas inmunológicos estaban preparados para combatir la infección viral”. Pero hay que tener cuidado de evitar una respuesta inmunitaria demasiado fuerte, advierte, para no causar daño pulmonar.
Abundan otras preguntas. ¿Deberían usarse vacunas de células T en lugar de, o en combinación con, vacunas de proteína de pico estándar? Si bien es posible mejorar las vacunas existentes al incluir un componente de células T, dice Gifford, «juntar dos cosas puede no ser estrictamente aditivo, ya que una parte de la vacuna podría enmascarar a la otra».
Sin embargo, él y sus colegas creen que su vacuna de células T tiene el potencial de ayudar a las personas inmunodeprimidas que no pueden producir anticuerpos neutralizantes y, por lo tanto, es posible que no se beneficien de las vacunas tradicionales contra el covid. Su vacuna también puede aliviar el sufrimiento del «covid largo» en personas que continúan albergando reservorios del virus mucho después de su infección inicial.
El mecanismo detrás de las vacunas actuales contra la influenza, como las vacunas actuales contra el covid-19, es inducir anticuerpos neutralizantes, pero esas vacunas no siempre funcionan para diferentes cepas de influenza. Carter ve potencial para las vacunas contra la gripe basadas en una respuesta de células T, «que puede resultar más eficaz y brindar una cobertura más amplia, debido a su gran variación».
Los métodos que están desarrollando tampoco se limitan al covid-19 o la gripe, sostiene, ya que algún día podrían aplicarse al cáncer. Gifford está de acuerdo y dice que una vacuna de células T, diseñada para maximizar la protección inmunológica tanto dentro de un individuo como entre la mayor cantidad de individuos, podría convertirse en un activo clave en la lucha contra el cáncer. «Eso no está dentro del alcance de nuestro estudio actual», dice, «pero podría ser el tema de un trabajo futuro».
Otros contribuyentes del MIT al trabajo fueron Ge Liu y Alexander Dimitrakakis. El trabajo fue apoyado, en parte, por Schmidt Futures y una subvención C3.ai a David Gifford.