MODELOS
Radical Numerics aplica postentrenamiento a Omnii para diseñar vacunas personalizadas de ARNm contra el cáncer
Radical Numerics anuncia que ha aplicado postentrenamiento a su modelo genómico Omnii para transformar mutaciones tumorales en un diseño de vacuna personalizada de ARNm: prioriza neoantígenos y genera el cassette de ARNm. Los resultados son computacionales, con mejoras frente a herramientas especializadas, y el acceso es temprano para investigadores. No hay validación clínica.
Qué ha ocurrido
Radical Numerics afirma haber adaptado su modelo genómico multimodal Omnii para tomar variantes tumorales y alelos MHC de un paciente, predecir qué péptidos se presentarían y cuáles activarían una respuesta de células T, clasificarlos y generar un cassette de ARNm con los objetivos seleccionados. En sus propias evaluaciones con datos públicos, reporta mejores métricas que herramientas especializadas en presentación e inmunogenicidad para MHC I y II (por ejemplo, AUROC 0,939 en presentación de clase I frente a 0,933 de BigMHC-EL; 0,750 en inmunogenicidad de clase I frente a 0,558 de BigMHC-IM y 0,514 de PRIME2.1; y mejoras análogas en clase II). En una simulación con 100 candidatos (6% inmunogénicos) y una vacuna limitada a cinco péptidos, Omnii esperaba seleccionar 1,3 inmunogénicos frente a 0,7/0,6 de los modelos de referencia. Omnii está disponible mediante un programa de acceso temprano. La empresa no ha presentado resultados en humanos, animales ni fabricación; los conjuntos de inmunogenicidad son pequeños y heterogéneos, y los resultados se promedian en tres particiones.
Qué significa para creadores
La noticia es una oportunidad para explicar a la audiencia la diferencia entre un pipeline con benchmarks y una terapia validada. Enfatiza que los datos son computacionales y que la próxima evidencia debe venir de laboratorio y clínica. Un buen ángulo editorial: por qué un modelo generalista (un único modelo para secuencias biológicas) podría reemplazar cadenas de herramientas especializadas, y qué implica para seleccionar muy pocos objetivos entre cientos de mutaciones. Si cubres producto, indica que hay acceso temprano para investigadores; si haces divulgación, ilustra el flujo (mutaciones → presentación MHC → inmunogenicidad → ranking → cassette de ARNm) y por qué el tamaño y la heterogeneidad de los datasets pueden sesgar resultados. Evita titulares que prometan curas y separa claramente simulaciones de resultados biológicos.
Fuente y contexto
El anuncio (8 de septiembre) llega tras el trabajo previo de los cofundadores en modelos generativos de genómica (Evo/Evo 2) y una ronda semilla de 50 millones de dólares en junio para Omnii, un modelo que abarca ADN, ARN, proteínas, epigenómica y estructura. Radical Numerics busca colaboradores con datos y capacidad de validación experimental. En el sector, ya existen herramientas especializadas y programas clínicos avanzados; por ejemplo, Evaxion ha evaluado una vacuna peptídica personalizada con IA en fase 2, y Merck y Moderna comunicaron resultados positivos de fase 3 con una terapia individualizada de neoantígenos en melanoma. Ese impulso no valida Omnii, pero sí enmarca la cuestión comercial: si los tratamientos individualizados funcionan, ¿quién aportará el algoritmo que elige los objetivos?