La biología sintética de alto rendimiento acelerara el desarrollo de la terapia génica - El médico interactivo
Los virus adenoasociados (VAA) se han convertido en el vehículo ideal para suministrar carga genética terapéutica a los tejidos objetivo para la reciente ola de terapias genéticas que se están desarrollando en laboratorios de biotecnología. Pero los VAA naturales no se dirigen específicamente a células y tejidos enfermos, y el sistema inmunitario puede reconocerlos, lo que limita el éxito terapéutico.
Para mejorar los VAA, los biólogos sintéticos han estado trabajando en un enfoque de “evolución dirigida” en el que mutan aleatoriamente bloques de construcción de aminoácidos específicos de las proteínas de la cápside que forman la cubierta del virus y contactan directamente con las células objetivo. Al evaluar qué cambios, pueden dirigir el virus a los tejidos objetivo y colocar sucesivamente mutaciones una encima de otra apuntan a mejorar las características deseables de VAA.
Ahora, los científicos del Instituto Wyss de Harvard para Ingeniería Biológicamente Inspirada y la Escuela de Medicina de Harvard (HMS) informan sobre un enfoque para acelerar el proceso de hacer tales cápsides de VAA mejoradas y desarrollar virus aún mejores, según publican en la revista ‘Science‘.
Tomando un enfoque diferente y más sistemático para el problema de ingeniería de proteínas de la cápside, el equipo muta uno por uno cada uno de los 735 aminoácidos dentro de la cápside de VAA2, el miembro más conocido de la familia de VAA, incluyendo todas las posibles sustituciones de codones, inserciones y deleciones en cada posición.
Generaron así una biblioteca de virus que contenía alrededor de 200.000 variantes e identificaron cambios en la cápside que mantuvieron la viabilidad de VAA2 y mejoraron su potencial de “retorno” (tropismo) a órganos específicos en modelos experimentales. Inesperadamente, el equipo también descubrió una nueva proteína accesoria oculta dentro de la secuencia de ADN que codifica la cápside que se une a la membrana de las células diana.
El equipo dirigido por el miembro de la Facultad Core de Wyss, George Church, y su ayudante el Dr. Eric Kelsic desplegaron un avanzado arsenal de biología sintética que incluye síntesis de ADN, código de barras y capacidades de secuenciación de ADN de próxima generación para construir una de las bibliotecas de cápsides VAA más completas hasta la fecha.
“Con la información generada por esta biblioteca, también pudimos diseñar cápsides con más mutaciones que las variantes naturales o sintéticas anteriores, y además con eficiencias de generar cápsidas viables que superan con creces las de AAV creadas por mutagénesis aleatoria”, señala Church, jefe de la plataforma de biología sintética del Instituto Wyss
“Estas tecnologías de alto rendimiento combinadas con un diseño guiado por máquina sientan las bases para diseñar variantes de VAA superiores y altamente personalizadas para futuras terapias génicas”, señala el coautor Eric Kelsic.
“Los enfoques anteriores, como el diseño racional o la mutagénesis aleatoria, tenían sus inconvenientes, ya sea limitado en el tamaño de la biblioteca o de baja calidad, respectivamente. El diseño guiado por máquina es un enfoque basado en datos para la ingeniería de proteínas –añade–.
“Inesperadamente, los datos de alta resolución que generamos nos permitieron detectar una nueva proteína codificada por un marco de lectura diferente dentro de la secuencia de ADN de la cápside, que había pasado desapercibida a pesar de décadas de intensa investigación sobre el virus”, continúa el coautor Pierce Ogden, del equipo de Church.
“La proteína accesoria asociada a la membrana (MAAP), como la llamamos, existe en todos los serotipos de AAV más populares y creemos que juega un papel en el ciclo de vida natural del virus –añade–. Estudiar cómo funciona MAAP será un área para investigación futura y podría conducir a una mejor comprensión de cómo producir y diseñar mejor las terapias genéticas AAV”.
Según los autores: “nuestros resultados son muy alentadores, pero también son solo un primer paso. Usando estos datos y los de futuros experimentos, construiremos modelos de aprendizaje automático para optimizar las cápsides y abordar una amplia variedad de desafíos de terapia génica”.