Investigadores de una corporación líder en biotecnología desarrollaron el enfoque Laboratorio en el bucle (LitL) para integrar herramientas de aprendizaje automático (ML) en un sistema de diseño-prueba-aprendizaje de bucle cerrado para el diseño de anticuerpos terapéuticos. El diseño de anticuerpos terapéuticos presenta desafíos debido a factores como que la optimización de una propiedad farmacológicamente de interés, como la afinidad, puede afectar a otra, como la solubilidad, lo que requiere una búsqueda iterativa por medio de un amplio espacio de las secuencias.

Aunque el ML resulta prometedor, los modelos entrenados en conjuntos de datos limitados a menudo se optimizan para propiedades únicas e ignoran las restricciones terapéuticas. LitL da solución a esto mediante el uso de ML generativo y la predicción de propiedades, seguidos de la validación experimental y la readaptación del modelo de forma adaptativa. La síntesis de alta precisión del ADN lineal de Twist fue fundamental para codificar las regiones determinantes de la complementariedad (CDR) personalizadas, salvaguardando la integridad del sistema al garantizar que lo diseñado por el modelo de ML se representara con precisión en el laboratorio propiamente dicho.

A lo largo de cuatro rondas, el sistema LitL generó más de 1800 variantes únicas e identificó anticuerpos con mejoras de afinidad de unión que oscilaban entre 3× y 100× contra cuatro dianas de antígeno.