MIT utilizó un bucle de IA de datos pequeños para lograr que las vacunas de ARNm sobrevivieran un año a temperatura ambiente

Las vacunas de ARNm transportadas por nanopartículas lipídicas deben almacenarse entre -20 y -80 °C, lo que las mantiene fuera de regiones sin infraestructura de cadena de frío. En el Instituto Koch del MIT, el grupo de Ana Jaklenec y Robert Langer ya había creado LNP estabilizadas con polímeros que toleran el calor, pero esas modificaban las formulaciones aprobadas por la FDA que usan Moderna y Pfizer. Al intentar estabilizar por medios manuales las formulaciones aprobadas, cribaron excipientes —azúcares, sales, polímeros— durante meses. «Nada nos llevaba al 100 por ciento de estabilidad», dijo el posdoctorando Khanh Tran.

La solución fue un algoritmo de aprendizaje automático desarrollado con Mina Konaković Luković, del CSAIL del MIT, diseñado para predecir a partir de conjuntos de datos muy pequeños. El equipo midió cuán bien protegía cada uno de casi 50 excipientes aprobados por la FDA al ARNm dentro de las LNP, eligió los cinco más prometedores y dejó que el algoritmo predijera las proporciones estabilizantes. Probaron dos formulaciones a la vez en células y retroalimentaron los resultados al modelo; tras un puñado de iteraciones —unas semanas, no meses— una formulación destacó.

Las vacunas de ARNm contra la covid-19 secadas al vacío con la nueva formulación se almacenaron a 37 °C durante dos meses o a temperatura ambiente durante un año, y los ratones vacunados después generaron respuestas inmunitarias equivalentes a las de una LNP de estilo Moderna. Los mismos cinco excipientes en una proporción diferente estabilizaron una LNP de estilo Pfizer, y la formulación también funcionó en parches de microagujas sólidos, que produjeron respuestas inmunitarias similares a las de las inyecciones. El trabajo apareció en Nature Biotechnology y fue financiado en parte por la Fundación Gates.

Ejecutar un bucle de aprendizaje activo sobre 50 excipientes ya aprobados por la FDA: predecir proporciones, probar dos a la vez en células, retroalimentar los resultados; convergió en semanas.

La cadena de frío es el cuello de botella: el almacenamiento entre -20 y -80 °C mantiene las vacunas de ARN lejos de las regiones sin congeladores.

Restringir la búsqueda a excipientes aprobados por la FDA deja una vía regulatoria en lugar de exigir nueva química.

El algoritmo está diseñado para conjuntos de datos pequeños, lo que encaja con un laboratorio que no puede realizar miles de experimentos.

El bucle de retroalimentación de dos a la vez redujo la búsqueda de meses de cribado manual a unas pocas semanas.

Cuando el cribado por fuerza bruta se estanca, no inventes nuevos ingredientes: busca de forma más inteligente entre los ya aprobados. La optimización con datos pequeños convierte meses de callejones sin salida en un puñado de experimentos dirigidos.

Hasta el anuncio de septiembre de 2026, los resultados eran preclínicos: respuestas inmunitarias en ratones y administración mediante parches de microagujas, no ensayos en humanos ni revisión regulatoria. Los investigadores afirman que cada formulación resistente al calor podría transportar cualquier carga útil de ARNm, ampliando su uso a terapéuticos, partículas de liberación controlada y parches de microagujas que requieren formulaciones en estado sólido o termoestables.