
La cromatografía es donde se gana la pureza y donde se va el dinero. Tipo de resina, ligando, pH, conductividad, forma del gradiente y orden de las etapas se multiplican hasta sumar más condiciones de las que cualquier laboratorio puede ensayar. Por eso «IA para la purificación de proteínas» resulta un titular tan atractivo. Tres artículos en acceso abierto de grupos de Viena, Aquisgrán y Edimburgo explican qué predicen en realidad los modelos que se usan hoy, qué datos necesitan antes y dónde fallan. Dos de ellos salen de la misma colaboración entre Viena y Aquisgrán.
Tres tipos de modelo, tres tipos de coste
Bernau y sus coautores dividen el campo con claridad. Los modelos basados en datos, desde la regresión lineal múltiple sobre un diseño de experimentos hasta las redes neuronales y la regresión de vectores de soporte, son rápidos y precisos dentro del espacio de parámetros con el que se entrenaron, exigen poco esfuerzo experimental y un análisis sencillo, pero no pueden extrapolar fuera de él. Los modelos mecanísticos describen el transporte de materia y la sorción a partir de principios fisicoquímicos, así que pueden extrapolar más allá de las condiciones ensayadas, pero necesitan datos de calibración y potencia de cálculo, y su complejidad los deja sobre todo para la caracterización del proceso en fases avanzadas. Los modelos híbridos quedan a medio camino: estructura mecanística con componentes basados en datos, mejor comprensión del proceso y menos exigencias de cantidad y calidad de datos que un modelo puramente basado en datos.
La revisión deja claro qué aporta la modelización mecanística. Describe un caso en el que el esfuerzo experimental para caracterizar una etapa de intercambio catiónico de un anticuerpo monoclonal se redujo en torno a un 75 % frente a la caracterización tradicional en laboratorio, porque el modelo podía predecir a priori cómo afectaría a la separación un cambio en la carga superficial de la proteína. Y es igual de clara con el precio de entrada.
El precio de entrada: medir antes de modelizar
Antes de cualquier predicción hay que medir la columna y el sistema:
- Porosidad. Una porosidad de columna mal determinada distorsiona la constante de equilibrio que se ajusta a un pico. Se han medido experimentalmente porosidades interparticulares de alrededor del 12 %, por debajo del límite teórico de alrededor del 26 % para esferas en empaquetamiento denso, porque al empaquetar a velocidades lineales de hasta 7 m/h las partículas se comprimen.
- Volúmenes muertos. En un AKTA pure 25 L con una columna XK 16/20, las válvulas de inyección y de columna aportaban 22,7 x 10-5 L frente a 6,3 x 10-5 L de los tubos, y el volumen de líquido periférico de la columna (fritas y conectores) llegaba a 76,6 x 10-5 L. La relación entre ese volumen periférico y el volumen de lecho va de 0,767 con un lecho de 1 mL a 0,024 con el lecho máximo de 31 mL.
- Parámetros de la isoterma. La unión estática en batch es sencilla, pero da capacidades unas 1,5 veces superiores a las de la determinación dinámica, así que se usa para cribado y no para calibrar. El análisis frontal suele necesitar de 50 a 200 mg de proteína pura por ensayo en una columna de 1 mL, mientras que el ajuste inverso de un pico de elución requiere unos 0,6 mg, con una pureza superior al 50 % en la experiencia de los autores.
Descriptores: la parte realmente difícil
El segundo artículo del grupo de Viena y Aquisgrán revisa los descriptores que convierten la estructura de una proteína en el puñado de números que un modelo puede usar, y habla con franqueza de sus límites. Los descriptores promedian: dos proteínas con distribuciones de carga superficial distintas pueden tener el mismo momento dipolar, y dos proteínas con arquitecturas de dominios muy diferentes pueden compartir el mismo elipsoide envolvente y, por tanto, la misma excentricidad. Los descriptores de parches necesitan umbrales arbitrarios, y usar varios umbrales multiplica el número de descriptores colineales, lo que complica la selección y facilita el sobreajuste.
Hasta la aritmética depende de la herramienta. Los autores recogen momentos dipolares eléctricos para la catalasa de 371 a 812 Debye con un mismo paquete comercial y distintas configuraciones de adición de hidrógenos y minimización de energía, frente a 121 Debye con un servidor de acceso abierto. De las 24 escalas de hidrofobicidad implementadas en ProtScale, 19 están fuertemente relacionadas, con una correlación de Pearson media de 0,81, y las cinco restantes están invertidas respecto al primer grupo.
Hay dos efectos que pesan en un feed real y que los modelos rara vez recogen. Las proteínas de la célula hospedadora que se unen al producto y se copurifican con él, el llamado hitchhiking, exigirían incluir interacciones proteína-proteína en el modelo; los cálculos de docking pueden tardar hasta 11 horas, y puede haber varios cientos de proteínas de la célula hospedadora. Y en coloides grandes como las partículas similares a virus de unos 100 nm, casi todos los poros de las resinas habituales son inaccesibles, lo que explica que la capacidad dinámica de unión pueda ser inesperadamente baja.
Dónde rinden los modelos basados en datos
Un tercer artículo muestra dónde compensa la vía puramente basada en datos. Un grupo de Edimburgo, con coautores de la BOKU de Viena y del fabricante de columnas Repligen, partió de unos 25.000 ensayos de control de calidad de columnas preempaquetadas recogidos a lo largo de unos 10 años, eliminó los registros incompletos y promedió las repeticiones de tipos de columna idénticos, con lo que quedaron 546 entradas independientes. Un modelo de extreme gradient boosting predijo la altura de plato reducida y la asimetría de pico con una capacidad predictiva del 90 % y el 93 %, y un error porcentual absoluto medio del 10 % y el 7 % en el conjunto de prueba.
Lo interesante es la clasificación. La matriz base de la resina explicaba el 68,4 % de la importancia en la altura de plato y el 77,0 % en la asimetría, con el modo funcional en segundo lugar, en torno al 15 %, por delante del tamaño de partícula, el diámetro de columna y la longitud de columna. Como señalan los autores, son dos atributos cualitativos que los modelos cinéticos de primeros principios, por diseño, no tienen en cuenta.
Fuentes
- Bernau CR, Knoedler M, Emonts J, Jaepel RC, Buyel JF, The use of predictive models to develop chromatography-based purification processes, Frontiers in Bioengineering and Biotechnology 10:1009102, 12 de octubre de 2022.
- Emonts J, Buyel JF, An overview of descriptors to capture protein properties: tools and perspectives in the context of QSAR modeling, Computational and Structural Biotechnology Journal 21:3234-3247, 24 de mayo de 2023.
- Jiang Q, Seth S, Scharl T, Schroeder T, Jungbauer A, Dimartino S, Prediction of the performance of pre-packed purification columns through machine learning, Journal of Separation Science 45:1445-1457, 20 de marzo de 2022.


