ReviveMed utiliza AI para recopilar datos a gran escala sobre metabolitos — moléculas como lípidos, colesterol y azúcar — para que coincida con los pacientes con terapias.
La biología nunca es simple. A medida que los investigadores avanzan en la lectura y edición de genes para tratar enfermedades, por ejemplo, un creciente cuerpo de evidencia sugiere que las proteínas y los metabolitos que rodean a esos genes pueden ser ignorados.
El spinout del MIT ReviveMed ha creado una plataforma para medir metabolitos — productos del metabolismo como lípidos, colesterol, azúcar y carbohidratos — a escala. La compañía está utilizando esas mediciones para descubrir por qué algunos pacientes responden a los tratamientos cuando otros no lo hacen y para comprender mejor los impulsores de la enfermedad.
“Históricamente, weiz ha podido medir unos pocos cientos de metabolitos con alta precisión, pero eso es una fracción de los metabolitos que existen en nuestros cuerpos,” dice ReviveMed CEO Leila Pirhaji PhD ’16, quien fundó la compañía con el profesor Ernest Fraenkel. “Hay una brecha masiva entre lo que weisre mide con precisión y lo que existe en nuestro cuerpo, y eso es lo que queremos abordar. Queremos aprovechar las poderosas ideas de los datos de metabolitos subutilizados.”
El progreso de ReviveMedans se produce a medida que la comunidad médica en general vincula cada vez más los metabolitos desregulados con enfermedades como el cáncer, el Alzheimer y las enfermedades cardiovasculares. ReviveMed está utilizando su plataforma para ayudar a algunas de las compañías farmacéuticas más grandes del mundo a encontrar pacientes que se beneficien de sus tratamientos. También ofrece software a investigadores académicos de forma gratuita para ayudar a obtener información de datos de metabolitos sin explotar.
“Con el campo de la IA en auge, creemos que podemos superar los problemas de datos que han limitado el estudio de los metabolitos, dice ” Pirhaji. “No hay un modelo básico para la metabolómica, pero vemos cómo estos modelos están cambiando varios campos, como la genómica, por lo que estamos comenzando a ser pioneros en su desarrollo
Encontrar un desafío
Pirhaji nació y creció en Irán antes de venir al MIT en 2010 para obtener su doctorado en ingeniería biológica. Anteriormente había leído los trabajos de investigación de Fraenkelal y estaba emocionada de contribuir a los modelos de red que estaba construyendo, que integraban datos de fuentes como genomas, proteomas y otras moléculas.
“Estábamos pensando en el panorama general en términos de lo que puedes hacer cuando puedes medir todo — los genes, el ARN, las proteínas y las moléculas pequeñas como los metabolitos y los lípidos,” dice Fraenkel, quien actualmente es miembro de la junta directiva de ReviveMedats. “Weirre probablemente solo pueda medir algo así como el 0.1 por ciento de las moléculas pequeñas en el cuerpo. Pensamos que tenía que haber una manera de obtener una visión tan completa de esas moléculas como la que tenemos para las otras. Eso nos permitiría trazar todos los cambios que ocurren en la célula, ya sea en el contexto de cáncer o desarrollo o enfermedades degenerativas
Aproximadamente a la mitad de su doctorado, Pirhaji envió algunas muestras a un colaborador de la Universidad de Harvard para recopilar datos sobre el metaboloma — las pequeñas moléculas que son los productos de los procesos metabólicos. El colaborador envió a Pirhaji una enorme hoja de Excel con miles de líneas de datos —, pero le dijeron que era mejor ignorar todo más allá de las 100 filas principales porque no tenían idea de lo que significaban los otros datos. Ella tomó eso como un desafío.
“Comencé a pensar que tal vez podríamos usar nuestros modelos de red para resolver este problema,” recuerda Pirhaji. “Había mucha ambigüedad en los datos, y fue muy interesante para mí porque nadie había intentado esto antes. Parecía una gran brecha en el campo.”
Pirhaji desarrolló un enorme gráfico de conocimiento que incluía millones de interacciones entre proteínas y metabolitos. Los datos eran ricos pero desordenados — Pirhaji lo llamaba “hair ball” que no podía decirle nada a los investigadores sobre la enfermedad. Para hacerlo más útil, creó una nueva forma de caracterizar las vías y características metabólicas. En un artículo de 2016 en Métodos de Naturalezadescribió el sistema y lo usó para analizar los cambios metabólicos en un modelo de enfermedad de Huntington.
Inicialmente, Pirhaji no tenía intención de iniciar una empresa, pero comenzó a darse cuenta del potencial comercial de la tecnología en los últimos años de su doctorado.
“No hay cultura empresarial en Irán,” Pirhaji dice. “No sabía cómo iniciar una empresa o convertir la ciencia en una startup, así que aproveché todo lo que MIT ofrecía.”
Pirhaji comenzó a tomar clases en la MIT Sloan School of Management, incluido el Curso 15.371 (Equipos de innovación), donde se asoció con sus compañeros de clase para pensar en cómo aplicar su tecnología. También utilizó el MIT Venture Mentoring Service y el MIT Sandbox, y participó en el Martin Trust Center para el acelerador de startups delta v de MIT Entrepreneurshiphops.
Cuando Pirhaji y Fraenkel fundaron oficialmente ReviveMed, trabajaron con la Oficina de Licencias de Tecnología de MITic para acceder a las patentes en torno a su trabajo. Desde entonces, Pirhaji ha desarrollado aún más la plataforma para resolver otros problemas que descubrió a partir de conversaciones con cientos de líderes en compañías farmacéuticas.
ReviveMed comenzó trabajando con hospitales para descubrir cómo los lípidos están desregulados en una enfermedad conocida como esteatohepatitis asociada a la disfunción metabólica. En 2020, ReviveMed trabajó con Bristol Myers Squibb para predecir cómo responderían los subconjuntos de pacientes con cáncer a las inmunoterapias de la compañía.
Desde entonces, ReviveMed ha trabajado con varias compañías, incluidas cuatro de las 10 principales compañías farmacéuticas mundiales, para ayudarlas a comprender los mecanismos metabólicos detrás de sus tratamientos. Esas ideas ayudan a identificar a los pacientes que más se beneficiarán de las diferentes terapias más rápidamente.
“Si sabemos qué pacientes se beneficiarán de cada medicamento, realmente disminuiría la complejidad y el tiempo asociados con los ensayos clínicos, dice ” Pirhaji. “Los pacientes recibirán los tratamientos correctos más rápido.”
Modelos generativos para metabolómica
A principios de este año, ReviveMed recopiló un conjunto de datos basado en 20,000 muestras de sangre de pacientes que utilizó para crear gemelos digitales de pacientes y modelos generativos de IA para la investigación metabolómica. ReviveMed está poniendo sus modelos generativos a disposición de investigadores académicos sin fines de lucro, lo que podría acelerar nuestra comprensión de cómo los metabolitos influyen en una variedad de enfermedades.
“Weisre democratiza el uso de datos metabolómicos,” Pirhaji dice. “Es imposible para nosotros tener datos de cada paciente en el mundo, pero nuestros gemelos digitales se pueden usar para encontrar pacientes que podrían beneficiarse de tratamientos basados en su demografía, por ejemplo, al encontrar pacientes que podrían estar en riesgo de enfermedad cardiovascular
El trabajo es parte de la misión de ReviveMedats de crear modelos de bases metabólicas que los investigadores y las compañías farmacéuticas puedan usar para comprender cómo las enfermedades y los tratamientos cambian los metabolitos de los pacientes.
“Leila resolvió muchos problemas realmente difíciles que enfrentas cuando intentas sacar una idea del laboratorio y convertirla en algo que sea lo suficientemente robusto y reproducible como para ser implementado en biomedicina, dice ” Fraenkel. “En el camino, también se dio cuenta de que el software que desarrolló es increíblemente poderoso por sí mismo y podría ser transformacional. MIT News. Z. W. Traducido al español
Contacto