Un equipo del Instituto de Tecnología de Massachusetts (MIT) desarrolló un sistema automático para fabricar nanopartículas lipídicas —estructuras microscópicas de grasa— de ARN y ADN con tamaños y formas controlados, una capacidad que podría acelerar el diseño de vacunas y tratamientos basados en moléculas que portan información genética dirigidos a distintos órganos y tejidos, informó MIT News, el portal de noticias del instituto. Las partículas de 150 nanómetros y las de 70 nanómetros, aun cuando contienen la misma composición, pueden comportarse de manera muy distinta dentro del organismo. La diferencia de tamaño determina en qué zona del cuerpo es más probable que termine un tratamiento encapsulado en estas estructuras. El método, presentado en ACS Nano, permite especificar el tamaño buscado, producir las partículas, medirlas mientras se forman y ajustar automáticamente las condiciones si el resultado no coincide con el objetivo. Las vacunas de ARN mensajero —molécula que contiene información genética— instruyen a las células para producir una versión inocua de una proteína viral. Esa proteína activa una respuesta inmunitaria, pero el ARN mensajero se degrada rápidamente si se inyecta sin protección. Las nanopartículas lipídicas, conocidas como LNP por sus siglas en inglés, cumplen esa función de envoltura y transporte: son estructuras de grasa que encapsulan la molécula y la protegen hasta que llega a las células. “Son un tipo de tratamientos realmente revolucionario, pero necesitan algún vehículo de administración que los lleve a las células adecuadas del cuerpo”, explicó Cedric Devos, investigador posdoctoral del Instituto Tecnológico de Massachusetts y uno de los autores principales del estudio. Dos mezclas para controlar el crecimiento de las partículas La producción convencional de LNP mezcla a gran velocidad una solución de lípidos suspendidos en etanol con otra de ARN mensajero disuelto en un tampón ácido. La segunda solución suele circular en una proporción tres veces mayor que la primera, una relación que favorece la formación de las partículas, aunque sin permitir un control preciso de su tamaño ni de su forma. El equipo modificó ese esquema al dividir la mezcla en dos etapas. Primero, combinó los lípidos y el ARN mensajero en caudales iguales; luego, tras una breve espera, añadió más tampón para detener el crecimiento de las partículas. “Esto permite jugar con el tiempo de residencia, que es el tiempo entre el primer mezclador y el segundo”, señaló Devos. “Si ese tiempo es muy largo, las partículas crecerán mucho. Si es muy corto, se pueden mantener muy pequeñas”. La concentración del tampón añadido durante la segunda fase también modifica la forma. Con ese cambio, los investigadores lograron transformar partículas esféricas en otras alargadas, similares a una palta. Ambas intervenciones permiten ajustar tamaño y forma sin alterar la composición de las nanopartículas. Hasta ahora, ninguna técnica de producción había logrado controlar ambos rasgos de manera fiable, afirmó Allan Myerson, profesor de práctica del Departamento de Ingeniería Química del MIT y autor principal del trabajo. “El problema puede parecer simple a primera vista, pero en realidad exige una comprensión profunda del ensamblaje de las nanopartículas lipídicas”, sostuvo Myerson. Un sistema que corrige sus propios parámetros La nueva plataforma automatiza el proceso de mezcla en dos etapas e incorpora un equipo comercial de dispersión dinámica de luz, una técnica que mide el tamaño de las partículas durante su formación. Si el resultado se aleja del tamaño solicitado, el sistema modifica el tiempo de espera y otros factores hasta aproximarse al objetivo. Peter Sagmeister y Aniket Udepurkar, ambos investigadores posdoctorales del MIT, también encabezaron el estudio. Según Sagmeister, la investigación anterior había permitido “fabricar nanopartículas lipídicas de una forma nueva y diseñarlas de verdad por tamaño y forma”, mientras que el nuevo trabajo automatiza todo el procedimiento. El sistema también puede producir partículas con distintas geometrías, aunque la medición de esas formas todavía debe realizarse fuera de la plataforma automatizada. Los experimentos permitieron analizar, a una velocidad mayor que la disponible hasta ahora, cómo cada modificación en las condiciones de fabricación afecta el tamaño y la geometría finales. Con los datos obtenidos, el equipo entrenó un modelo de aprendizaje automático capaz de predecir qué combinación de factores generará una partícula de un tamaño o una forma determinados. Esa posibilidad reduciría los ensayos por prueba y error que suelen requerirse para desarrollar nuevas LNP. El equipo presentó una solicitud de patente para la tecnología y trabaja en su comercialización mediante una empresa nueva, BIZON Labs.
Fuente: Infobae — Ver noticia original