La IA demuestra que puede diseñar anticuerpos potentes, aunque todavía no domina todo el proceso

La primera gran evaluación prospectiva y a ciegas del diseño de anticuerpos mediante inteligencia artificial deja un balance matizado: la IA ya puede generar candidatos de anticuerpos muy potentes y validados experimentalmente, pero ningún método funcionó de forma consistente en todas las tareas. El resultado más destacado fue el de Aureka Biotechnologies, cuyo anticuerpo diseñado por un modelo contra el dominio de unión al receptor del SARS-CoV-2 alcanzó una afinidad medida de 94,7 pM. Eso representa una mejora de aproximadamente 2.000 veces frente al anticuerpo parental y resultó estadísticamente comparable al mejor clon obtenido mediante maduración convencional. 16

Qué puso a prueba el desafío AIntibody

El desafío AIntibody se diseñó con una lógica parecida a la de CASP, la evaluación ciega que compara predicciones computacionales con resultados experimentales. En total, 29 organizaciones presentaron 511 secuencias de anticuerpos, que fueron analizadas por laboratorios independientes y bajo condiciones estandarizadas, en lugar de que cada equipo validara sus propios diseños. 12

El experimento se centró en anticuerpos dirigidos contra el dominio de unión al receptor de la proteína espiga del SARS-CoV-2 y contempló tres situaciones habituales en el descubrimiento de anticuerpos:

1. Maduración de afinidad in silico: mejorar un anticuerpo parental proporcionado por los organizadores.
2. Clasificación por afinidad: identificar los anticuerpos que se unían con más fuerza dentro de tres grupos restringidos de secuencias HCDR3.
3. Diseño fuera de biblioteca: crear u optimizar secuencias CDR que no formaban parte de las bibliotecas experimentales suministradas. 1

La afinidad de unión se midió mediante resonancia de plasmones superficiales y con el ensayo independiente KinExA. Además, los candidatos pasaron por un panel de cinco pruebas de desarrollabilidad, destinadas a detectar propiedades que pueden complicar el uso de un anticuerpo como candidato terapéutico. En otras palabras, los resultados se basaron en el comportamiento de las moléculas en el laboratorio, no solo en las puntuaciones de los modelos. 1

El resultado de 94,7 pM de Aureka

El mayor éxito de Aureka llegó en la primera tarea, la maduración de afinidad. El anticuerpo ganador aparece en el artículo como AuraBind y está asociado a la plataforma AuraIDE de la empresa. Su afinidad medida fue de 94,7 pM, unas 2.000 veces mejor que la del anticuerpo parental. 146

La comparación con la experimentación convencional es especialmente relevante. El mejor clon madurado experimentalmente, obtenido tras unos tres meses de maduración mediante fagos, alcanzó 113 pM. El valor de Aureka es numéricamente menor —y, por tanto, indica una unión más estrecha—, pero la diferencia entre ambos anticuerpos no fue estadísticamente concluyente. La interpretación más prudente es que el diseño de IA igualó el mejor resultado experimental en esta prueba, no que lo derrotara de manera definitiva. 16

El desempeño de Aureka no se limitó a una única secuencia llamativa. La empresa produjo seis anticuerpos con afinidades inferiores a 10 nM que también superaron los criterios de desarrollabilidad del desafío. Sus candidatos ocuparon además los puestos primero, segundo y quinto en los resultados de maduración de afinidad. 1

Por qué la secuencia ganadora fue importante

El anticuerpo ganador no era simplemente una copia de un clon seleccionado previamente en el laboratorio. Según el resumen del estudio, combinó sustituciones y patrones de mutación inferidos a partir de los datos de selección proporcionados. Un modelo de afinidad informado por la estructura eligió el diseño entre 10.000 candidatos generados. 1

La plataforma combinó modelado estructural con un predictor de aptitud entrenado con preferencias. En vez de intentar calcular directamente una constante de unión absoluta para cada secuencia, el predictor aprendió a estimar el enriquecimiento experimental relativo, un enfoque más cercano a la necesidad práctica de ordenar candidatos para decidir cuáles deben probarse después. 1

La diferencia es importante. Un sistema útil para descubrir anticuerpos no tiene que conocer con exactitud la afinidad final de cada secuencia. Lo que debe hacer es aumentar las probabilidades de que un conjunto manejable de candidatos incluya moléculas potentes y utilizables.

Aureka ganó una tarea, no todo el desafío

Aureka fue la ganadora clara de la primera prueba, pero su ventaja no se extendió a las tres categorías. En la tarea de clasificación por grupos, los equipos líderes cambiaron según el conjunto analizado: UCSD/Scripps quedó primero en el grupo 27F; WashU/Xencor, en el 28F; y WashU, en el 47F. Xencor ganó la tarea de diseño fuera de biblioteca. 1

El análisis comparativo del artículo llegó a una conclusión similar: todos los grupos cuyos resultados se hicieron públicos tuvieron al menos un desafío en el que su mejor resultado quedó claramente por detrás de las principales propuestas. 1

Ese es el mensaje central de la evaluación. El diseño de anticuerpos mediante IA no es una capacidad única y uniforme. Un sistema que funciona muy bien para mejorar un anticuerpo conocido, con abundantes datos específicos del objetivo, puede ser mucho menos fiable al clasificar secuencias agrupadas o diseñar fuera de una biblioteca existente.

Qué puede cambiar en el laboratorio

La principal consecuencia práctica apunta a la optimización de candidatos, no a la desaparición del laboratorio. En un contexto favorable, un modelo competente podría reducir el número de ciclos de construcción de bibliotecas, selección por presentación, expresión de clones y cribado. En la primera prueba, aproximadamente el 13 % de las propuestas consiguió mejorar al menos 20 veces la afinidad respecto al anticuerpo parental, aunque el rendimiento varió mucho entre los participantes. 1

El resultado respalda un flujo de trabajo con participación constante del laboratorio:

• usar datos experimentales de selección y secuenciación para generar candidatos;
• emplear modelos para priorizar un conjunto más pequeño y potencialmente más diverso de secuencias;
• expresar y analizar esas secuencias bajo condiciones ciegas y estandarizadas;
• evaluar tanto la afinidad como la desarrollabilidad antes de avanzar con un candidato.

El último paso sigue siendo imprescindible. Algunos diseños con una afinidad muy alta fallaron una o más pruebas de desarrollabilidad, especialmente las relacionadas con la polirreactividad. Una medición de 94,7 pM es impresionante, pero la fuerza de unión por sí sola no convierte a un anticuerpo en un medicamento viable. 1

La gran limitación: la generalización

El estudio fue una prueba prospectiva exigente, pero también ofreció un entorno relativamente favorable para la IA. Se utilizó un único antígeno bien caracterizado, junto con grandes volúmenes de datos de secuenciación profunda y afinidad. Además, en particular para las tareas segunda y tercera, los participantes recibieron información que a menudo no estaría disponible en esa fase de una campaña real de descubrimiento. 1

Los resultados reflejan esa limitación. En los conjuntos de datos de HCDR3 agrupados, todos los modelos salvo uno mostraron un desempeño deficiente o peor que el azar al intentar predecir los clones de mayor afinidad. Los resultados del diseño fuera de biblioteca también fueron muy variables. 12

Por tanto, el desafío no demuestra que la IA vaya a obtener resultados igual de sólidos con antígenos desconocidos, conjuntos de datos escasos, otros formatos de anticuerpos o el conjunto más amplio de propiedades que exige el desarrollo terapéutico. Lo que sí demuestra es que algunos sistemas pueden funcionar extremadamente bien en contextos definidos y respaldados por datos biológicos abundantes.

Qué significa el resultado para Aureka

Para Aureka, el desafío aporta una validación especialmente valiosa porque conecta su plataforma con un resultado experimental evaluado de forma independiente, y no únicamente con una puntuación interna del modelo. La empresa cerró posteriormente una ronda Serie B de 100 millones de dólares en agosto de 2026, con una financiación acumulada declarada de casi 200 millones de dólares. Granite Asia aportó el primer tramo y un inversor estratégico lideró un tramo posterior. 1821

Aureka también ha descrito colaboraciones de desarrollo empresarial y acuerdos de tipo NewCo con varias compañías farmacéuticas multinacionales. 4 Esas alianzas y el nuevo capital le proporcionan recursos y posibles vías para convertir diseños de anticuerpos generados por modelos en programas de desarrollo de fármacos. 418

Pero el desafío no equivale a una validación clínica. No demuestra que la plataforma de Aureka vaya a producir medicamentos eficaces ni que sea ampliamente superior a los métodos experimentales de descubrimiento de anticuerpos. La evidencia respalda una afirmación más concreta —y más útil—: el flujo de trabajo asistido por IA de Aureka puede generar candidatos de anticuerpos muy potentes y desarrollables en, al menos, un contexto de optimización bien definido, mientras el sector todavía necesita pruebas ciegas más amplias con distintos objetivos y condiciones de descubrimiento.