Investigadores de Penn crean un marco de IA con supervisión humana que descubre un nuevo antígeno para la terapia CAR-T en tumores sólidos

El 25 de junio de 2026, investigadores de Penn Medicine liderados por Daniel Baker, Carl June y Zoltan Arany publicaron un estudio en la revista Cell en el que describen un marco de inteligencia artificial (IA) con supervisión humana que integra modelos de lenguaje de gran tamaño (LLM) con datos de secuenciación de ARN unicelular para descubrir y priorizar sistemáticamente nuevos objetivos para la terapia CAR-T . Su candidato principal fue el antígeno GPNMB (glicoproteína no metastásica de melanoma B), y las células CAR-T dirigidas a GPNMB demostraron eficacia en modelos de ratón de melanoma, leucemia y cáncer colorrectal . El marco está diseñado para ser modular, agnóstico a la enfermedad y adaptable a cualquier LLM, con el objetivo de acelerar drásticamente el descubrimiento de objetivos para tumores sólidos y más allá, reduciendo un proceso que puede llevar meses o años a apenas unas semanas .

Cómo funciona el marco de IA con supervisión humana

• Integración de datos: El equipo combinó cuatro conjuntos de datos públicos de secuenciación de ARN unicelular de cáncer de piel con información de bases de datos públicas, y luego aplicó pautas biológicas específicas para priorizar más de 10.000 posibles antígenos de superficie según características relevantes para CAR-T (por ejemplo, expresión específica de tumor, accesibilidad en la superficie) .
• Nominación basada en LLM: Se utilizaron varios modelos de lenguaje de gran tamaño de última generación para nominar objetivos ideales a partir de esa lista priorizada .
• Repetición para reducir alucinaciones: Toda la simulación de nominación se repitió de forma independiente 1.000 veces para mitigar los riesgos conocidos de los LLM, como las alucinaciones, y los resultados se agregaron en una lista corta final .
• Revisión de expertos humanos: Los científicos luego revisaron la lista corta y realizaron la validación biológica (confirmación de la expresión en la superficie, construcción de CAR y pruebas preclínicas) .
• Velocidad: Todo el proceso impulsado por IA tomó menos de unas pocas semanas, en comparación con meses o años con métodos manuales .

Antígeno principal identificado: GPNMB

• GPNMB (glicoproteína no metastásica de melanoma B) surgió como el candidato principal del marco de IA .
• Las células CAR-T dirigidas a GPNMB mostraron una actividad antitumoral significativa en modelos de ratón de melanoma, leucemia y cáncer colorrectal, lo que demuestra su potencial contra múltiples tipos de cáncer .

Cómo el enfoque busca acelerar el descubrimiento de objetivos más allá de los cánceres de la sangre

• Diseño agnóstico a la enfermedad: El marco se construyó para ser modular y generalizable a cualquier tipo de cáncer o enfermedad, sin limitarse a los conjuntos de datos de cáncer de piel utilizados como prueba de concepto .
• Funciona con datos públicos: Se ejecuta sobre conjuntos de datos disponibles públicamente, democratizando el descubrimiento de objetivos más allá de las instituciones con acceso a muestras clínicas o secuenciación propia .
• Independiente del LLM: El marco no está vinculado a ningún LLM específico, por lo que se puede aplicar a modelos futuros más avanzados a medida que surjan .
• Objetivo: Los investigadores diseñaron explícitamente el enfoque para romper el cuello de botella en la búsqueda de objetivos de superficie seguros y eficaces para tumores sólidos, la principal barrera para expandir la terapia CAR-T más allá de los cánceres de la sangre para los que actualmente está aprobada por la FDA .