Una de las demostraciones más extraordinarias del poder de la química es la exploración espacial. Desde las primeras misiones no tripuladas de finales de la década de 1950 al programa del transbordador espacial y, ahora, a Artemis, las innovaciones en las tecnologías de combustibles y motores para los cohetes siguen impulsando el alcance, la capacidad y la sostenibilidad de la exploración espacial, y demuestran en tiempo real el importante papel de la química en este campo.

Un combustible para cohetes optimizado es crucial para el éxito de la misión

Los cohetes usan diversas combinaciones de combustible y oxidantes para generar la enorme potencia necesaria para superar la gravedad terrestre. Los oxidantes y combustibles son elementos estables a temperatura ambiente, pero cuando se les aplica una fuente de calor crean una reacción explosiva que impulsa el cohete.

Mediante el ajuste de la proporción entre combustible y oxidante, los ingenieros pueden controlar diversos aspectos del rendimiento del cohete. Cada combinación proporciona un conjunto único de características, beneficios y desventajas y afecta a métricas de rendimiento como la eficiencia de propulsión y a otras variables como la toxicidad, el coste y la seguridad. Por tanto, elegir el mejor paquete de propelente para cada viaje es una decisión crítica que depende de muchas variables relacionadas con la misión del cohete.

Los propelentes gaseosos, por ejemplo, son poco prácticos para la mayoría de los cohetes que van a realizar trayectos de larga distancia a causa del elevado volumen que se necesitaría, pero comprimir y enfriar estas sustancias en las fases líquidas correspondientes proporciona una relación óptima entre volumen y potencia para las aplicaciones de cohetes a gran escala. Algunos propelentes, sin embargo, tienen puntos de ebullición extremadamente bajos y requieren un enfriamiento criogénico a temperaturas inferiores a –150 °C para licuarse. Esto puede obstaculizar el uso de estos combustibles para la propulsión de cohetes, dado que los beneficios deben superar a los costes y los desafíos de este requisito para que una misión justifique su elección.

Dos características de rendimiento importantes de los propelentes, que a veces se confunden, son el empuje y el impulso específico. El empuje mide el potencial de fuerza de reacción del propelente o cantidad de peso que el cohete será capaz de levantar. El impulso específico (Isp) define la eficiencia con la que un propelente convierte su masa en empuje en función del tiempo que una cantidad determinada de propelente puede empujar una carga. Los motores que usan propelentes con un impulso específico elevado suelen tener un empuje menor, pero utilizan la masa de propelente de un modo más eficiente. En suma, permiten recorrer más distancia con una cantidad dada de gas.

La tabla 1 compara las principales propiedades de los paquetes de combustibles de cohetes más comunes. El motor RS-25 empleado por el Sistema de Lanzamiento Espacial Artemis de la NASA usa el paquete de propelente LOX/LH₂. En cambio, los cohetes desarrollados por algunas organizaciones comerciales, como el Raptor de SpaceX y el BE-4 de Blue Origin, usan un paquete de metano líquido/LOX.

Entre los propelentes de cohetes modernos, el LOX/LH₂ es el que presenta el valor más alto de Isp. Esa eficiencia y un historial demostrado de fiabilidad son los principales motivos por los que el paquete de LOX/LH₂ se usa habitualmente como propelente de cohetes desde hace cinco décadas, a pesar de que los dos átomos requieran enfriamiento criogénico. Además, mientras que otros propelentes liberan grandes cantidades de sustancias químicas contaminantes y gases de efecto invernadero tras la combustión, el principal subproducto generado por la combustión de LOX/LH₂ es el agua, lo que lo convierte en un combustible más sostenible.  

Paquetes de propelentes: propiedades del LOX y varios combustibles." data-entity-type="file" data-entity-uuid="428f0733-8e9d-437e-93c9-c99bdd862b30" src="/sites/default/files/inline-images/Table1_FINAL_rocket%20fuel.JPG" />

Nota: *RP-1 (propelente para cohetes 1) es una forma muy refinada de queroseno que se usa con frecuencia en motores de cohetes líquidos (p. ej., el motor del cohete Saturno V).

Química de la reacción de radicales de los cohetes con LOX/LH₂

El hidrógeno y el oxígeno son elementos estables que no reaccionan espontáneamente cuando se mezclan a temperatura ambiente. Para que se produzca una reacción, los enlaces covalentes H–H y O=O se tienen que romper. Cuando se suministra una energía mayor que la de los enlaces H–H y O=O, se inicia una reacción en cadena hasta que se forma agua. Esta reacción que produce la estructura estable del agua libera grandes cantidades de energía durante la combustión del H₂ con O2.

. Principales reacciones de radicales implicadas en la combustión de H2 en O2. " data-entity-type="file" data-entity-uuid="81adfa68-6a83-458f-9726-e303361dd3cb" src="/sites/default/files/inline-images/Figure1_rocket_fuel_SS.JPG" />

A pesar de la aparente sencillez de esta reacción, la combustión de H₂ con O2 es compleja y requiere varias reacciones intermedias con radicales H y O. Las principales reacciones que llevan a la formación de agua se enumeran en la figura 1. Las reacciones de ramificación en cadena se dan cuando un radical genera dos o más radicales (figura 1, reacciones 3 y 4). Como estas reacciones producen más radicales reactivos de los que consumen, se aceleran, lo que explica su naturaleza explosiva.

Estas reacciones de radicales no se producen siempre en el orden indicado en la figura 1, y se pueden formar otros radicales que no se han mencionado aquí por medio de otros esquemas de reacción en cadena. La mezcla, la presión y la temperatura del propelente también influyen en los mecanismos cinéticos de la combustión de H₂.

Desarrollo del diseño de motores para impulsar Artemis

Además de la optimización del combustible, el diseño de los motores de los cohetes es esencial para maximizar la potencia de los cohetes modernos. Los diseños de motores de cohetes actuales usan innovaciones fundamentales desarrolladas en el programa de cohetes V-2 de Alemania durante la Segunda Guerra Mundial. La disponibilidad de nuevos materiales y otras innovaciones tecnológicas han permitido a los ingenieros perfeccionar estos diseños para aumentar la potencia, la durabilidad, la fiabilidad y la eficiencia necesarias para las misiones espaciales modernas.

El motor RS-25, diseñado en la década de 1970 por Aerojet Rocketdyne, se desarrolló y usó originalmente en las misiones del transbordador espacial de la NASA. Cinco generaciones de innovación más tarde, los RS-25 que propulsan el cohete SLS de Artemis son sofisticados motores criogénicos que incorporan décadas de avances tecnológicos y optimizaciones de diseño, lo que los convierte en unos de los motores para cohetes más eficientes y potentes que se han creado.

Para generar un empuje potente y uniforme, los motores de cohetes se tienen que alimentar con un gran volumen de propelente líquido a alta velocidad a través de una turbobomba. La primera versión de la turbobomba (figura 2) fue desarrollada por los ingenieros del V-2 en los años cuarenta. Fue revolucionaria en cuanto a diseño y rendimiento y tiene una turbina de vapor que gira a 4000 rpm para impulsar las bombas centrífugas tanto del combustible como del oxidante. Más de 60 años después, la turbobomba moderna sigue siendo uno de los componentes más importantes y complejos, que determina el rendimiento de los motores de cohetes modernos.

Evolución de la propulsión de cohetes tripulados de Estados Unidos

Enginehistory.org. " data-entity-type="file" data-entity-uuid="eae9ddc9-afb9-4e24-86fc-f4360b919415" src="/sites/default/files/inline-images/Figure2_rocket_SS_0.JPG" />

 

Los motores RS-25 del cohete de Artemis utilizan el paquete de propelente criogénico LOX/LH₂ por su mayor impulso específico. Sin embargo, la gran diferencia entre las densidades y las tasas de flujo del LH₂ y el LOX impide que el RS-25 funcione con una única turbobomba. La densidad del hidrógeno es extremadamente baja (71 g/L), lo que significa que se necesita 2,7 veces más LH₂ para igualar proporcionalmente la cantidad de LOX y lograr que la combustión sea eficiente. Para posibilitar el uso de estos dos líquidos criogénicos totalmente diferentes con distintas propiedades físicas, el RS-25 utiliza dos turbobombas independientes.

Estas turbobombas de alta presión modernas son auténticas cimas de la ingeniería. Sus turbinas contienen decenas de palas con el tamaño de una moneda. Cada pala, que gira a una velocidad de entre 28 000 y 35 000 rpm, suministra más potencia que el motor de un Corvette, lo que permite a estas turbobombas generar decenas de miles de caballos de potencia.

Las aspiraciones espaciales impulsan la innovación en distintos sectores

Las tecnologías de combustibles y motores para cohetes son ejemplos obvios de áreas de innovación impulsadas por el programa espacial. Sin embargo, el objetivo actual de volver a llevar humanos a la luna y llegar en el futuro a Marte también están acelerando nuevas investigaciones en diversos sectores, como la medicina, la ciencia de los materiales, las comunicaciones, la electrónica e incluso la agricultura. Muchas de estas innovaciones, además de hacer posibles las misiones espaciales, se traducen en mejoras de productos que nos benefician a todos también aquí, en la Tierra.

¿Le gustaría conocer otras nuevas tecnologías desarrolladas para la misión Artemis? Lea más sobre las innovaciones de la ciencia de los alimentos que nutrirán a los astronautas en sus viajes a la luna y más allá.

Maximizar el retorno de la inversión en digitalización, un reto para las empresas farmacéuticas

De media, las empresas farmacéuticas tardan entre 10 y 15 años en desarrollar, validar y comercializar un nuevo producto. Sin embargo, la reciente pandemia de COVID-19 y el éxito del desarrollo en tiempo récord de las vacunas de ARNm han arrojado luz sobre el potencial de las herramientas digitales para acelerar los procesos. Este importante avance reforzó el interés de la industria farmacéutica por experimentar una transformación digital e implementar herramientas cognitivas en sus procesos, pero la digitalización puede ser compleja y difícil de lograr.

Alrededor del 55 % de las firmas farmacéuticas afirman que usan tecnologías digitales en mayor o menor medida. Sin embargo, la falta de dominio de la gestión del conocimiento y las herramientas digitales transforma en muchos casos esta iniciativa inteligente en una inversión debatible. Dado que aproximadamente el 70 % de los programas de digitalización fracasan, las empresas farmacéuticas tienen que reevaluar dónde deben invertir su presupuesto de digitalización y optimizar las estrategias de implementación para ganar ventajas competitivas y crear productos farmacéuticos que puedan cambiar vidas.

Con una buena comprensión de aspectos como una gestión del conocimiento sólida, las herramientas cognitivas y la interrelación entre estos elementos, las compañías farmacéuticas pueden revolucionar sus procesos en todos los niveles y ofrecer una asistencia sanitaria superior en todo el mundo.

Digitalización y gestión del conocimiento: facilitar el acceso a los datos en el conjunto de la compañía para acelerar la innovación

Las compañías farmacéuticas generan enormes volúmenes de información, desde datos de ingredientes, formulaciones y ensayos clínicos hasta informes sobre tiempos de procesamiento, producción y control de calidad. Estos nuevos documentos se acumulan con rapidez cuando se usan fuentes de información ya existentes y bases de datos aisladas, lo que complica la búsqueda y la recuperación de información. Los resultados de experimentos pasados, al no estar estructurados ni armonizados, se pierden entre los “datos oscuros”, que representan alrededor de un 55 % de todos los conocimientos de la organización.

Sin un acceso fácil a los datos históricos por parte de diversos departamentos, las empresas farmacéuticas corren el riesgo de repetir errores o investigar preguntas que ya tienen respuesta. Para acelerar la innovación y acortar sustancialmente el plazo de comercialización de los productos, la digitalización es esencial.

Las compañías farmacéuticas están transformando documentos históricos, como los diarios de laboratorio, los conjuntos de datos y los informes, en activos que admiten búsquedas dentro de una plataforma conectada de gestión del conocimiento. Eso permite a distintos integrantes de la organización acceder a la información sobre los ingredientes y los proveedores, las directrices regulatorias y otros datos científicos y empresariales. Estas compañías están dando un paso más con la introducción de una interfaz de usuario en línea que posibilita la conexión de equipos de diferentes departamentos y regiones.

Por medio de una digitalización cuidadosamente diseñada, las compañías farmacéuticas pueden facilitar, simplificar y ampliar los procesos de I+D, fabricación y comercialización fomentando a la vez el trabajo interdisciplinar y la colaboración internacional.

Agilizar el desarrollo de fármacos: las herramientas cognitivas aceleran la innovación terapéutica

La era de la digitalización está transformando la industria farmacéutica, ya que proporciona a los investigadores herramientas revolucionarias para acortar el plazo de comercialización y mejorar la seguridad.

El desarrollo de las vacunas de la COVID-19 en menos de un año propulsó a Pfizer al centro de la escena farmacéutica. Aunque la eficiencia de la plantilla de Pfizer es indiscutible, el excepcional tiempo de respuesta de la compañía y su ventaja competitiva tienen sus raíces en unos procesos bien definidos que se implementaron mucho antes de la pandemia. Pfizer, una empresa pionera en el ámbito de las estrategias digitales, comprendió el potencial transformador de las iniciativas de gestión del conocimiento, analítica de datos e IA para el sector farmacéutico y las incorporó en sus operaciones diarias.

Los gigantes farmacéuticos, que cuentan con décadas de experiencia y de datos de investigación, pueden limitar las moléculas candidatas a las opciones más seguras y con más posibilidades de éxito. Por ejemplo, los algoritmos de IA, combinados con los datos clínicos disponibles, permitieron a los investigadores diseñar y supervisar ensayos clínicos exhaustivos con modelos predictivos en tiempo real de las tasas de ataque de la COVID-19. Al llevar estos procesos más allá del laboratorio, las estrategias de gestión del conocimiento y los modelos de IA facilitaron la predicción del inventario y la supervisión de la cadena de suministro, lo que agilizó el desarrollo, la distribución y la accesibilidad de las vacunas.

Unos cimientos de datos sólidos y unas herramientas cognitivas implementadas en toda la cadena de suministro dieron a Pfizer una decisiva ventaja de partida en la carrera para desarrollar la vacuna de la COVID-19. Desde la selección inicial de candidatos farmacológicos a la monitorización del tratamiento, el poder de las herramientas cognitivas para acelerar el desarrollo de fármacos ha quedado demostrado. Sin embargo, las predicciones de IA solo alcanzan todo su potencial si se entrenan adecuadamente con conjuntos de datos limpios, seleccionados y protegidos. Para lanzar u optimizar la IA en los flujos de trabajo de I+D de la industria farmacéutica, es necesario evaluar primero la calidad de los datos y la infraestructura de gestión del conocimiento.

Digitalización y seguridad de los datos: protección de la información patentada, la privacidad de los pacientes y la integridad de las investigaciones

A lo largo de las múltiples fases del descubrimiento de fármacos y los ensayos clínicos exhaustivos, la industria farmacéutica tiene acceso a procesos de fabricación cruciales y a la información médica de los pacientes. Estos datos tienen un valor incalculable para los competidores y para muchos actores malintencionados. Ante el crecimiento de los ciberataques (prácticamente 1 cada 39 segundos) y los robos de identidad médica (un 35 % en 2019), implementar estrategias de seguridad fiables en la industria farmacéutica se ha convertido en una prioridad urgente.

Varios informes apuntan a las compañías farmacéuticas como objetivos prioritarios para los ciberataques, y el 53 % de las infracciones de la privacidad son el resultado de actividades malintencionadas. La dispersión de la información confidencial entre diferentes departamentos, plataformas y programas de software hace más difícil para las organizaciones garantizar la protección de los datos y la seguridad del entorno. Implementar una interfaz de gestión del conocimiento en toda la organización permite establecer un control estricto del acceso de los usuarios y eliminar las infracciones de la seguridad de los datos. En el sector farmacéutico se están generalizando las plataformas colaborativas en la nube con canales protegidos en los que los investigadores y el personal clínico pueden compartir de forma segura información confidencial y evitar los riesgos de corrupción de los dispositivos. Sin embargo, pasar de soluciones antiguas locales y aisladas a plataformas en la nube o a versiones híbridas personalizadas es complicado y la adopción puede ser lenta. Para simplificar la transición a los ecosistemas de gestión del conocimiento actualizados y proteger a la vez los datos, las compañías farmacéuticas deben recurrir a socios de transformación digital que conozcan su campo.

La transformación digital en la industria farmacéutica

La digitalización tiene el potencial de transformar drásticamente la industria farmacéutica mejorando la gestión del conocimiento, acelerando la innovación, incrementando la seguridad de los datos y acortando los plazos de comercialización de los fármacos. Sin embargo, una estrategia de transformación digital mal diseñada puede provocar la pérdida de recursos y aumentar el riesgo.

A medida que la transformación digital del sector farmacéutico avanza, las tecnologías digitales y las herramientas cognitivas se están incorporando a todos los aspectos de la industria, lo que acelera el desarrollo de fármacos y amplía las opciones de tratamiento para un número cara vez mayor de enfermedades. La transformación digital contribuye a crear soluciones innovadoras para el ámbito sanitario de una forma sostenible, responsable y accesible.

Para obtener más información sobre la transformación digital y la gestión de los datos, consulte nuestros casos prácticos con CAS Custom Services^SM.

Quedan lejos aquellos tiempos en los que la encimera del baño se llenaba de productos empleados en complicadísimas rutinas cosméticas. En la acelerada sociedad actual, los consumidores buscan un único producto que pueda hacerlo todo.

Llega la cosmética multifuncional.

Da igual si se trata de un producto para el cuidado de la piel que proporcione hidratación y propiedades antienvejecimiento y antimanchas o si hablamos de una mascarilla acondicionadora para el cabello que se pueda usar en la ducha y tenga acción antiencrespamiento y propiedades reparadoras: los consumidores exigen más que nunca a sus productos cosméticos. Esta demanda, sin embargo, añade presión a la industria cosmética para seguir formulando productos que puedan resolver varios problemas a la vez.

Estar al tanto de los últimos avances en el campo de los ingredientes multifuncionales, incluidos el quitosano y la lignina, y de los nuevos sistemas de administración, como el uso de la nanotecnología, permite a los formuladores seguir suministrando productos innovadores a este dinámico mercado con un alto nivel de demanda.

Ingredientes estrella

Una de las grandes herramientas que la industria cosmética puede usar para formular cosméticos multifuncionales son los llamados "ingredientes estrella". Estos ingredientes ofrecen a la vez numerosos beneficios, lo que hace posible que formulaciones con tan solo unos cuantos ingredientes puedan resolver varios problemas.

Veamos algunos de los ingredientes estrella de uso frecuente en el campo de la cosmética:

Ingrediente	Propiedades estrella
Manteca de karité	Antiinflamatoria  Antioxidante Antienvejecimiento
Aceite de coco	Repara la barrera cutánea Antimicrobiano  Antiinflamatorio  Antioxidante Antienvejecimiento Cicatrizante
Niacinamida	Antiinflamatoria Antimicrobiana Antioxidante Antipruriginosa
Cafeína	Estimula el crecimiento del cabello Mejora la microcirculación Protege frente a la radiación UV Antioxidante
Propóleo	Antiséptico Antiinflamatorio Antioxidante Antimicrobiano Cicatrizante

Ante la mayor demanda por parte de los consumidores de listas de ingredientes reducidas y "cosméticos limpios", los ingredientes estrella ganan popularidad entre las personas que buscan un único ingrediente que responda a todas sus necesidades cosméticas. Además de ayudar con la formulación, muchos de estos ingredientes son percibidos como "naturales" o "limpios", lo que supone una importante ventaja desde el punto de vista del marketing.

Hidratantes hercúleas

Los componentes hidratantes se encuentran entre los ingredientes cosméticos más versátiles. Con frecuencia, estos ingredientes proporcionan hidratación para la piel, el cabello y las uñas y se pueden usar para desarrollar productos multifunción para todas estas aplicaciones. Los sueros y aceites hidratantes se están comercializando como sustitutos únicos de varios productos, como las cremas para las manos, las hidratantes faciales y corporales y las mascarillas acondicionadoras para el pelo.

Los ingredientes hidratantes tienen otras propiedades, además de tratar varias partes del cuerpo. Se pueden usar en cosméticos multifuncionales, que también proporcionan beneficios antienvejecimiento, antioxidantes y antimicrobianos. Los aceites vegetales, como la manteca de karité y el aceite de coco, se usan con frecuencia en la industria cosmética. Sin embargo, las nuevas investigaciones han identificado el quitosano como competidor potencial.

El quitosano se puede usar en la piel y cabello como hidratante y protector. Se cree que el quitosano posee, entre otros, los siguientes beneficios:

• Propiedades humectantes
• Propiedades emolientes
• Propiedades antimicrobianas
• Acondicionamiento de la piel
• Protección frente a la radiación UV
• Propiedades antioxidantes

Antioxidantes asombrosos

El quitosano, como ingrediente con propiedades antioxidantes, se sumará a otros componentes cosméticos de uso común como la manteca de karité, el aceite de coco, la niacinamida y el propóleo. Cada ingrediente aporta sus propias multifunciones, lo que crea una amplia gama de opciones al formular cosméticos con actividad antioxidante.

Otra candidata incorporada recientemente a la cosmética antioxidante es la lignina. La lignina, derivada de fuentes naturales como la caña de azúcar, tiene una marcada actividad antioxidante que se puede aprovechar en aplicaciones cosméticas. En un estudio de 2023, se demostró que la lignina tiene una capacidad de atrapar radicales libres comparable, o ligeramente superior, a la del estándar cosmético. El estudio mostró también que la lignina se puede usar como pigmento cosmético natural y como protección frente a la radiación UV, lo que pone de relieve su potencial como ingrediente estrella del futuro.

Espectacular protección solar

Según los datos disponibles, el potencial de la lignina como protector frente a la radiación UV es superior a sus propiedades antioxidantes. La lignina, cuya capacidad como potente bloqueador de los rayos UV se ha demostrado tanto in vitro como en voluntarios humanos, abre una interesante oportunidad futura en la cosmética multifuncional para la protección frente a la radiación UV. Los consumidores, en respuesta a los consejos constantes sobre la protección solar, buscan productos con FPS que también contribuyan a resolver otros problemas cutáneos.

Otro campo de investigación es la adición a las formulaciones de los protectores solares del ácido rosmarínico, que, según los estudios realizados, aumenta el FPS en un 41 %, además de contar con propiedades antioxidantes. Una barrera esencial de los productos con FPS que contienen formulaciones cosméticas multifuncionales es que los nuevos ingredientes no pueden reducir la protección solar del producto, lo que convierte a ingredientes como el ácido rosmarínico, que pueden mejorar el FPS y aportar otros beneficios, en una gran oportunidad para los formuladores.

Tratamientos potentes contra las manchas

 

Normalmente, los tratamientos contra las manchas deben tener más de una función, como la hidratación cutánea, la cicatrización y propiedades antioxidantes. Los ingredientes antiinflamatorios y antimicrobianos pueden ayudar a combatir las causas de las manchas de acné, y los que tienen propiedades cicatrizantes y de reparación de la barrera cutánea pueden reducir las cicatrices. Por ello, los ingredientes de los tratamientos contra las manchas deben ser versátiles, además de cumplir con su función principal.

Con una amplia gama de ingredientes antimicrobianos y antiinflamatorios en uso en la industria cosmética, los formuladores pueden elegir entre diversos ingredientes activos. Componentes como el aloe vera, el hamamelis, el ácido salicílico, el peróxido de benzoílo y el retinol son habituales para el tratamiento de las manchas y aportan propiedades antimicrobianas y antiinflamatorias a productos como las cremas hidratantes.

Pero los avances no se limitan a los ingredientes estrella. Los métodos de administración innovadores pueden aumentar la eficacia y la longevidad de estos ingredientes. Recientemente, se ha desarrollado un sistema para la administración de ingredientes cosméticos contra el acné basado en la nanotecnología que libera los ingredientes activos lentamente una vez en contacto con la piel y que ha demostrado aumentar la capacidad antimicrobiana y antioxidante.

La formulación definitiva

La industria cosmética se enfrenta al reto de crear formulaciones más avanzadas y versátiles que permitan a los consumidores simplificar sus rutinas cosméticas. El uso de ingredientes estrella que combinen más funciones en las fórmulas cosméticas puede ayudar a los desarrolladores a alcanzar este objetivo y a mantener sus productos a la vanguardia de esta nueva ola de cosméticos multifuncionales.

Invertir en ingredientes estrella emergentes como el quitosano y la lignina puede permitir a los formuladores impulsar el desarrollo de productos, y la adopción de sistemas de administración innovadores basados en la nanotecnología puede multiplicar las funciones de los ingredientes ya existentes. Mantenerse al tanto de las investigaciones más recientes en el campo de la cosmética multifuncional seguirá impulsando el desarrollo innovador y ampliará los límites de lo que los consumidores pueden esperar de sus productos cosméticos.

Lea esta entrada sobre la colaboración entre CAS y Citrine para predecir las desformulaciones con IA y descubra cómo podemos ayudarle a crear la formulación definitiva.

Como resultado de los cambios que los consumidores están introduciendo en sus dietas por motivos personales y de salud, y de la voluntad de la sociedad de avanzar hacia prácticas alimentarias más sostenibles, las carnes de origen vegetal han ganado popularidad a lo largo de los últimos años. Las innovaciones del sector siguen mejorando la calidad de los sucedáneos de la carne y ofrecen más alternativas que nunca, lo que está generando un mercado diverso y competitivo.

Dado que la sostenibilidad de la carne de origen vegetal es uno de los factores que más están contribuyendo a aumentar el interés del público por estos productos, los consumidores buscan alternativas que les ayuden a limitar su ingesta de carne y reducir su impacto medioambiental sin sacrificar sus experiencias gastronómicas favoritas. ¿Cómo pueden proporcionar los fabricantes un producto sostenible y de calidad que responda a las altas expectativas de los clientes en cuanto a sabor y textura?

¿Cómo de sostenibles son las alternativas de origen vegetal?

Los efectos medioambientales negativos de la ganadería se conocen y están perfectamente documentados desde hace tiempo. Las emisiones causadas por el ganado y por la industria asociada son responsables de alrededor del 15 % de los gases de efecto invernadero globales. Ante la previsión de que estas emisiones aumenten en un 9 % antes de 2031, es crucial encontrar soluciones que reduzcan la demanda de carne.

Las innovaciones relativas a la carne de origen vegetal son una de esas soluciones. En lo tocante a las emisiones de dióxido de carbono, esta alternativa es unas 120 veces más eficiente que los productos cárnicos. Un estudio publicado en 2021 reveló que las hamburguesas de origen vegetal tienen una huella climática un 77 % más baja que las hamburguesas de carne, ya que reducen el uso de suelo y agua, la eutrofización y la acidificación.

La crítica más extendida sobre la sostenibilidad de la carne de origen vegetal es que los sucedáneos de la carne pueden no ser tan sostenibles como una dieta totalmente vegetariana. Aunque es un debate válido, los sucedáneos de la carne ofrecen a los consumidores de carne un cambio conductual mucho más asumible que la adopción de una dieta totalmente vegetariana, lo que facilita su transición a una solución sostenible.

Dar el salto

A pesar de la preocupación generalizada sobre la crisis climática y del conocido impacto medioambiental de la ganadería, muchos consumidores siguen siendo reacios a eliminar la carne de su dieta. En muchos casos, el deseo de mejorar la sostenibilidad no basta para impulsar el cambio conductual de comer menos carne o eliminarla de la alimentación. Los sucedáneos de la carne de origen vegetal ofrecen la solución perfecta para evitar esta disyuntiva.

Mediante el desarrollo de productos vegetales que ofrezcan un sabor y una textura similares a los de los productos animales, los innovadores dan a los consumidores la oportunidad de disfrutar de lo mejor de los dos mundos. Para los fabricantes es esencial llegar a esta audiencia flexitariana, ya que los sucedáneos de la carne son muy populares entre los consumidores que no quieren adoptar una dieta totalmente vegetariana. Un informe de la Universidad de Bath reveló que el 90 % de las personas que consumen carne de origen vegetal y lácteos siguen incluyendo la carne en su dieta.

Los consumidores están asumiendo la idea de que pueden mejorar su sostenibilidad reemplazando una parte de su ingesta de carne con sucedáneos de origen vegetal, pero ¿son estos productos tan sostenibles como se cree? Las investigaciones disponibles demuestra que lo son. A pesar de ser pequeños y asumibles, estos cambios tienen un enorme impacto en el medioambiente. Un estudio determinó que reemplazar tan solo un 5 % del consumo alemán de carne con proteína de guisantes podría reducir las emisiones de gases de efecto invernadero en 8 millones de toneladas al año.

Así, los fabricantes están preparando el terreno para un futuro más ecológico que sea más accesible para la mayoría de la gente. Al impulsar la innovación y aumentar la sostenibilidad de sus productos, pueden seguir favoreciendo los objetivos medioambientales de sus consumidores y fomentando la inversión en la sostenibilidad basada en la carne de origen vegetal.

Elección de una proteína vegetal

La elección de la proteína vegetal es la base del desarrollo de cualquier nuevo sucedáneo de la carne. Las fuentes de proteínas pueden afectar al sabor y a la textura del producto, a su valor nutricional y a su sostenibilidad, aspectos en los que los fabricantes tiene que ofrecer soluciones atractivas a sus consumidores. El considerable crecimiento de la demanda de los consumidores ha hecho que se espere que el valor del mercado de las proteínas vegetales llegue a 162 000 millones de dólares en 2030. Los innovadores de este extenso sector cuentan ahora con una amplia gama de fuentes, unas más consolidadas que otras. Entre las fuentes actuales y futuras se incluyen las siguientes:

Ya consolidadas	Soja Trigo Guisante
Próximas incorporaciones (se espera que exista una base de consumidores consolidada en 1-3 años)	Maíz Arroz Garbanzos
En desarrollo (se espera que exista una base de consumidores consolidada en 3-5 años)	Hongos Colza
Candidatos futuros (se espera que exista una base de consumidores consolidada dentro de más de 5 años)	Algas Cultivos celulares

Fuentes de proteínas como la soja, el trigo y los guisantes tienen ventajas como un bajo coste, un buen suministro y un alto valor nutricional, de ahí que estuvieran entre las primeras en consolidarse en la industria. La nueva generación de fuentes, como el maíz, el arroz, los garbanzos, los hongos y la colza, amplía estas ventajas proporcionando un mayor potencial para el desarrollo de productos. Esto dará a los desarrolladores un mayor control para crear productos con los atributos de sabor y textura que buscan los consumidores.

En este contexto de avances graduales, candidatos futuros como las algas o los cultivos celulares compiten por convertirse en la fuente de proteínas más sostenible. Aunque la actitud de los consumidores con respecto a estas proteínas todavía tiene que cambiar, son muy renovables y tienen un impacto medioambiental mínimo, lo que incrementa la sostenibilidad de la carne de origen vegetal.

El futuro de la sostenibilidad de la carne de origen vegetal

Los sucedáneos de la carne de origen vegetal están llamados a desempeñar un papel importante en la sostenibilidad alimentaria futura. Los sucedáneos de la carne, que ayudan a los consumidores de carne a reducir su ingesta de productos de origen animal sin modificar sus hábitos alimentarios, pueden animar a un porcentaje mucho mayor de gente a limitar su consumo de carne, lo que tendría un enorme efecto medioambiental.

Para que pueda darse este cambio medioambiental es imprescindible que la industria desarrolle productos atractivos que imiten lo mejor posible el sabor, la textura y el aspecto de la carne. A medida que los investigadores avancen en su estudio de nuevas fuentes de proteínas vegetales sostenibles, es previsible que la carne de origen vegetal vaya ganando popularidad. Para obtener más información sobre la agricultura sostenible y sobre nuevas estrategias en el uso de fertilizantes que contribuyan a reducir las emisiones de dióxido de carbono, lea nuestro artículo reciente sobre agricultura sostenible.

La química sostenible comienza con los catalizadores verdes, pero ¿cuáles son los últimos avances en este campo emergente? Los catalizadores son indispensables en numerosos sectores, disciplinas y laboratorios de I+D, y nuestro último resumen identifica las nuevas oportunidades, los desafíos y las innovaciones. En distintos sectores, desde la energía a la agricultura, pasando por productos farmacéuticos y muchos más, este puede ser un elemento crucial para mejorar las métricas de sostenibilidad.

Por qué un tamaño mayor no es necesariamente mejor con las herramientas de IA y las aplicaciones especializadas

Desde su lanzamiento en 2022, ChatGPT ha redefinido la conversación sobre la IA. Descrito a la vez como un milagro y una amenaza, sus posibles consecuencias parecen ir desde resultados positivos, como revolucionar el trabajo y revitalizar las ciudades, a efectos negativos como robarles el empleo a los humanos, y se dice que este modelo grande de lenguaje (LLM, Large Language Model) es capaz de prácticamente cualquier cosa.

¿Cuál es la diferencia entre ChatGPT y GPT-3/GPT-4?

Hay diferencias importantes entre ChatGPT y los grandes modelos de lenguaje, conocidos como GPT- seguido de un número (p. ej., GPT-3 o GPT-4). Con frecuencia, estos conceptos se confunden o se usan indistintamente, pero ChatGPT es la app de bot de chat con una interfaz “fácil de usar” que se ejecuta sobre los LLM, más complejos (GPT-3 o GPT-4).

GPT-3 y GPT-4 son versiones diferentes en una serie de modelos de transformadores generativos preentrenados. Los transformadores son un tipo de red neuronal que se conoce como modelos de lenguaje. Estos modelos pueden aprender a reconocer patrones y contextos en datos poco estructurados, por ejemplo, palabras contenidas en frases. Es una tarea que los transformadores hacen excepcionalmente bien. Un modelo generativo, cuando recibe un contexto, puede generar una salida arbitrariamente larga a partir de una solicitud. Los modelos GPT combinan estos dos tipos de modelos.

Por su parte, ChatGPT es la app que sirve como interfaz de grandes modelos de lenguaje como GPT-3 o GPT-4. Tiene un módulo de memoria para continuar conversaciones anteriores y cuenta con filtros, clasificadores y otras funciones integradas para minimizar las respuestas tóxicas o inadecuadas.

¿Qué hace falta para crear un LLM?

Los LLM son impresionantes. GPT-3 tiene 175 000 millones de parámetros o valores que el modelo puede cambiar de manera independiente a medida que aprende. GPT-4, la versión más reciente de la serie GPT, lanzado en 2023, es aún mayor y usa 1 billón de parámetros. Como cualquiera que los haya utilizado puede atestiguar, estos modelos tienen un conocimiento increíblemente amplio y una capacidad asombrosa de producir información coherente.

Sin embargo, estas capacidades tienen ciertos costes. Entrenar estos modelos GPT, cada vez más grandes, e implementar apps como ChatGPT es una gigantesca hazaña de ingeniería. Se estima que crear GPT-3 ha costado 4,6 millones de dólares y que gestionarlo en la nube cuesta al menos 87 000 dólares al año. Probablemente, desarrollar GPT-4 ha costado la friolera de 100 millones de dólares o más.

A estas cifras hay que sumarles los elevados costes del hardware y los recursos necesarios para mantenerlo funcionando y refrigerar los centros de datos. Los centros de datos pueden usar miles de millones de litros de agua y el aire acondicionado consume energía y contribuye a las emisiones, lo que obliga a las organizaciones a evaluar los costes y los beneficios de estas potentes herramientas. A causa de estos costes iniciales y operativos, los LLM son prohibitivamente caros para la mayoría de las empresas privadas, el mundo académico y las organizaciones del sector público y seguirán siéndolo a medida que los modelos crezcan y aumenten su potencia.

Las limitaciones de los LLM

Gracias a algunos componentes estructurales, los modelos de transformador capturan la relación existente entre diferentes entradas y, con la ayuda de una enorme cantidad de textos de muestra, los LLM modernos han desarrollado una gran capacidad de extraer la semántica general de un fragmento de texto y realizar un seguimiento de las relaciones existentes entre los elementos de texto. Los modelos generativos, como GPT-3, han ido un paso más lejos y han aprendido a hacer un seguimiento de esas relaciones tanto en la pregunta como en la respuesta. En muchos casos, los resultados son impresionantes. Podemos pedirle a ChatGPT que elija un número entre 0 y 100 o preguntarle si el colesterol es un esteroide y muy probablemente nos dará una respuesta correcta.

Sin embargo, para aplicaciones especializadas, como la investigación científica, los grandes modelos de lenguaje tienen dificultades para ir más allá de la semántica general y entender información específica con numerosos matices. ¿A qué se debe esto? En primer lugar, los LLM no son inmunes al problema de que "si entra basura, sale basura". En segundo lugar, incluso con datos de entrenamiento de alta calidad, es posible que la información de entrenamiento relevante no esté suficientemente representada.

Los LLM capturan bien los temas generales que se han descrito con frecuencia, pero los temas especializados con menos alcance suelen estar poco representados y su tratamiento es necesariamente más deficiente. Por ejemplo, un modelo de lenguaje grande puede llegar al nivel de abstracción adecuado y determinar si una molécula es un esteroide. Podría, incluso, reconocer dos moléculas de esteroides de la misma familia, pero no podría reconocer sistemáticamente si una de ellas es muy tóxica y la otra no. La capacidad del modelo grande de lenguaje para hacer esa distinción depende de los datos utilizados para entrenarlo y de si se ha reconocido y “memorizado” la información correcta. Si estaba oculta en un mar de información incorrecta o contradictoria, el modelo no puede determinar cuál es la respuesta acertada.

Cabría pensar que suministrar más datos que estén más limpios y crear modelos más grandes solucionará ese problema. Y es posible que sea así, pero ¿qué sucede si le pedimos a un LLM generativo que nos dé un número entre 0 y 100? ¿Podemos estar seguros de que el número elegido es realmente aleatorio? Para responder a esa pregunta, tenemos que ir más allá de la semántica léxica y los datos memorizados, más allá de los LLM, y acercarnos a los agentes de IA. El agente crearía un fragmento de código ejecutable usando procedimientos validados, se lo pasaría a otro proceso para que lo ejecutara, procesaría el resultado y presentaría la respuesta al usuario.

Desafíos específicos relacionados con los datos científicos

Como saben mis compañeros de CAS, los datos científicos pueden ser mucho más complejos que el texto y la mayoría de los problemas no se pueden expresar en una o dos preguntas.

Cuando usemos herramientas basadas en la IA para la investigación científica, debemos preguntarnos: ¿qué problema estamos intentando resolver? Muchos problemas tienen relación con secuencias de lenguaje o poco estructuradas, de manera que los modelos de lenguaje son una solución perfecta. Pero ¿qué sucede con los datos tabulares o de categorías, los gráficos de conocimiento y las series temporales? Estas formas de datos son necesarias para la investigación científica, pero los LLM no siempre son capaces de usarlas. Eso significa que los LLM, por sí mismos, no pueden proporcionar el nivel de especificidad necesario para una aplicación como la investigación molecular. Al igual que una orquesta necesita muchos instrumentos para crear un sonido cohesionado, la ciencia necesita múltiples herramientas en su caja de herramientas de IA para producir resultados coherentes.

Una estrategia de sistemas para aumentar la profundidad y el alcance

Si los LLM por sí solos no son adecuados para la investigación científica, ¿qué lo es? La respuesta es una estrategia de sistemas que use varios tipos de modelos para generar resultados especializados. Al complementar los modelos de lenguaje y las redes neuronales con herramientas tradicionales de aprendizaje automático, gráficos de conocimiento, quimioinformática y bioinformática, además de métodos estadísticos como TF-IDF, los investigadores pueden incluir información profunda y matizada en sus programas basados en IA.

Estas herramientas pueden proporcionar los resultados específicos necesarios para tareas como desarrollar nuevas moléculas de uso farmacológico o inventar nuevos compuestos. Los gráficos de conocimiento son especialmente valiosos porque actúan como referencia y conectan de manera fiable las entidades conocidas: una molécula, una reacción, un artículo publicado, un concepto controlado, etc. Un ejemplo de uso ideal es su utilización en una red neuronal profunda que pueda decir “Este es un tipo concreto de sustancia”, junto con un gráfico de conocimiento que valide la precisión. Es así como llegamos a los datos fiables imprescindibles para la investigación científica.

Este tipo de estrategia de sistemas es, en esencia, una función de verificación para mejorar la fiabilidad de los datos, y ya ha demostrado su eficacia en aplicaciones especializadas. Por ejemplo, Nvidia dio a conocer hace poco Prismer, un modelo de visión-lenguaje diseñado para responder a preguntas sobre imágenes o asignarles pies de fotos. Este modelo usa un enfoque de “mezcla de expertos” que entrena varios submodelos más pequeños. La profundidad del conocimiento obtenido con este modelo ha proporcionado resultados de calidad sin un entrenamiento excesivo: igualó el rendimiento de modelos entrenados con un volumen de datos 10 o 20 veces superior.

Google también usa un planteamiento similar, en el que el conocimiento se extrae de un modelo de lenguaje “profesor” de uso general y se introduce en modelos “alumnos” más pequeños. Los modelos alumnos proporcionan información de más calidad que el modelo más grande debido a la mayor profundidad de su conocimiento: un modelo alumno entrenado con 770 millones de parámetros presentó un rendimiento superior al de su modelo profesor con 540 000 millones de parámetros en una tarea de razonamiento especializada. Aunque entrenar el modelo más pequeño requiere más tiempo, las mejoras de eficiencia obtenidas son valiosas, ya que resulta más barato y más rápido ejecutarlo.

Mejorar la investigación científica

Otro ejemplo de éxito en la aplicación de la estrategia de sistemas es PaSE, el motor de semejanza de patentes que mis compañeros y yo hemos desarrollado en CAS, en el que se basan algunas funciones exclusivas de CAS STNext y CAS SciFinder. Creamos este modelo en el marco de nuestra colaboración con el Instituto Nacional de la Propiedad Industrial (INPI) de Brasil, que es la oficina de patentes del país. Se diseñó para procesar enormes cantidades de información en cuestión de minutos, lo que ha permitido a los investigadores hacer frente al enorme retraso acumulado en la tramitación de patentes.

La solución incluye un modelo de lenguaje que usa las mismas técnicas esenciales de aprendizaje automático que la familia GPT, pero añade otros tipos de aprendizaje, como los gráficos de conocimiento, la quimioinformática y los métodos estadísticos tradicionales de recuperación de información. Mediante el entrenamiento del modelo con la información científica del mundo, como las patentes de texto completo y las revistas incluidas en CAS Content Collection^TM, PaSE logró desarrollar el alcance y la profundidad necesarios para realizar búsquedas de estado de la técnica en la mitad de tiempo que los procedimientos manuales.

Para las oficinas de patentes, demostrar que algo no existe es enormemente complicado. Como se suele decir, “La inexistencia de pruebas no equivale a la prueba de la inexistencia”. Nuestros especialistas en datos entrenaron y optimizaron el modelo en colaboración con expertos en la búsqueda de patentes, con el equipo del INPI brasileño y con una combinación única de herramientas de IA que identificaron las patentes ya existentes con un 40 % menos de búsqueda manual. Por su rendimiento y por la reducción lograda en el retraso de la tramitación de patentes, fue galardonado con el Premio al impacto empresarial Stu Kaback por el Patent Information Users Group en 2021.

El futuro de los grandes modelos de lenguaje en la ciencia

Esta experiencia demuestra que los LLM seguirán desempeñando un papel importante en la investigación científica en el futuro, pero, contra la creencia popular, esta herramienta no es una panacea para todos los problemas o preguntas.

Suelo comparar estos modelos con organizar una habitación desordenada de una casa, como un armario o un desván. Probablemente, distintas personas organizarán lo que hay en esas habitaciones de maneras diferentes. Una persona puede ordenarlo todo por colores, mientras que otra agrupará los objetos valiosos y una tercera los clasificará por función. Ninguna de estas estrategias es errónea, pero es posible que no proporcionen el tipo de organización que se busca o se necesita. Este es esencialmente el problema con los LLM, que organizan la información de una forma concreta, pero puede no ser la que necesita un científico o un investigador.

En aplicaciones especializadas en las que un usuario necesita un resultado específico, como secuencias de proteínas, información de patentes o estructuras químicas, los modelos basados en la IA se deben entrenar para organizar y procesar la información de maneras concretas. Deben poder organizar los datos, los resultados y las variables como deseen sus usuarios para optimizar el entrenamiento y las predicciones.

Para obtener más información sobre el impacto de esos datos, sobre su representación y sobre los modelos que están mejorando las predicciones en el ámbito científico, lea los casos prácticos disponibles en CAS Custom Services. ¿Desea saber más sobre el panorama emergente de la IA y la química? Lea nuestro informe técnico más reciente sobre las oportunidades que la IA abre en el campo de la química o explore nuestros recursos sobre el papel de la IA en la mejora de la productividad de las oficinas de patentes de todo el mundo.

La creciente carga global del cáncer

La carga del cáncer y la mortalidad asociada están creciendo con rapidez en todo el mundo, impulsadas por el envejecimiento de la población y por los cambios en la prevalencia y la distribución de los principales factores de riesgo para esta enfermedad. Se prevé que en 2040 se diagnosticarán 28,4 millones de casos de cáncer, un aumento del 47 % con respecto a 2020.

El cáncer de mama femenino ha superado al cáncer de pulmón como tipo de cáncer más diagnosticado, y se estima que en 2020 ha habido 2,3 millones de casos nuevos (11,7 %), solo por delante del cáncer de pulmón (11,4 %), el colorrectal (10,0 %), el de próstata (7,3 %) y el de estómago (5,6 %). Las inmunoterapias, como los inhibidores de puntos de control, han supuesto un avance crucial en el tratamiento del cáncer, pero, a pesar de la importancia de este descubrimiento, no han sido la panacea para todos los tipos de cáncer. No todos los tipos de tumores responden a los agentes inmunoterapéuticos, y los mecanismos de resistencia pueden llevar a la evasión y el crecimiento del tumor frente al ataque del sistema inmunitario.

Aunque la Food and Drug Administration (FDA) de EE. UU. no ha aprobado ninguna vacuna de ARNm para el uso contra el cáncer, se ha otorgado la designación Breakthrough Therapy a la vacuna en investigación mRNA-4157-P201 (Moderna) en combinación con el inhibidor de punto de control pembrolizumab (Merck) como adyuvante en melanomas de alto riesgo tras la resección total. Tras el éxito de las vacunas de ARNm contra la COVID-19, los investigadores creen que la tecnología de las vacunas de ARNm se podría usar para tratar las células cancerígenas. Así pues, ¿podríamos estar cerca de integrar las terapias de ARNm en el panorama del tratamiento del cáncer?

 El círculo se cierra: vacunas de ARNm y cáncer

Muchas creen que las vacunas de ARNm contra la COVID-19 se desarrollaron de un día para otro. Sin embargo, el rápido proceso de diseño, fabricación y prueba de estas vacunas no habría sido posible sin los años de investigación que posibilitaron la creación de las vacunas de la gripe, el citomegalovirus y el Zika.

En 1995, una investigación decisiva demostró que una inyección intramuscular de ARN desnudo con capacidad para codificar antígenos carcinoembrionarios podía provocar una respuesta de generación de anticuerpos específicos de los antígenos en ratones. Un año después, otro estudio mostró que las células dendríticas transfectadas con ARNm inyectadas en ratones con tumores inducían una respuesta inmunitaria de linfocitos T e inhibían el crecimiento de esos tumores. Este trabajo preparó el terreno para numerosos estudios que exploraban la viabilidad, la eficacia y la seguridad de las tecnologías basadas en el ARNm. Sin embargo, hasta hace poco, la inestabilidad, la capacidad inmunógena innata y la ineficiencia de la administración in vivo han limitado las aplicaciones vacunales y terapéuticas del ARNm. Un desafío esencial al que se enfrentaron los investigadores era el de administrar el ARNm en el punto exacto en el que se necesitaba; una secuencia de ARNm inyectada en el cuerpo sin alguna clase de protección sería identificada como un sustancia extraña y destruida.

El rápido desarrollo de las vacunas de ARNm para tratar el nuevo coronavirus, el SARS-CoV-2, ha ayudado a acelerar el salto de las vacunas de ARNm del laboratorio al ámbito clínico. Por ejemplo, las vacunas de Pfizer-BioNTech y Moderna demostraron la eficacia de usar nanopartículas lipídicas (NPL) para administrar el ARNm en las células objetivo. A finales de 2019, impulsadas por la epidemia de SARS-CoV-2, tanto la literatura publicada como las solicitudes de patentes relacionadas con las terapias de ARNm experimentaron un rápido aumento en todo el mundo. Después de 2020, el número de artículos publicados mostró una tendencia de crecimiento rápido y llegó a 3361 en 2021 y a casi 5000 en 2022. El número de solicitudes de patentes mantuvo la tendencia ascendente hasta 2020 y llegó a 382 en 2021. Se estima que en 2022 habrá aumentado hasta 510 (figura 1).

El éxito de la vacuna de ARNm contra la COVID-19 ha revelado el potencial del uso la plataforma de ARNm no solo para otras enfermedades infecciosas, sino también para el tratamiento del cáncer. Dado que la información derivada de los estudios sobre virus puede servir como base del trabajo sobre las vacunas contra el cáncer, parece que se ha cerrado el círculo.

El sistema inmunitario entra en acción: cómo funcionan las vacunas de ARNm contra el cáncer

Las aplicaciones del ARNm en las vacunas contra el cáncer son amplias, y los investigadores están explorando varias estrategias para la inmunoterapia contra esta enfermedad:

• Presentación de antígenos: las vacunas de ARNm administran antígenos del cáncer a las células presentadoras de antígenos para la presentación del complejo mayor de histocompatibilidad de clase I y II. 
• Función adyuvante: el ARNm estimula la activación inmunitaria uniéndose a receptores de reconocimiento de patrones expresados por células presentadoras de antígenos. 
• Receptores de antígenos: el ARNm introduce receptores de antígenos, como los receptores de antígeno quimérico (CAR) y los receptores de linfocitos T, en los linfocitos. 
• Producción de proteínas: el ARNm permite la expresión de proteínas inmunomoduladoras, incluidos los receptores de tipo Toll, los receptores de quimiocinas, los ligandos coestimuladores, las citocinas, las quimiocinas y diferentes formatos de anticuerpos monoclonales en diversos subconjuntos de células. 

¿Estamos cerca de contar con terapias de ARNm contra el cáncer?

Compañías como Genentech, CureVac y Moderna están desarrollando vacunas de ARNm con neoepítopos que pueden generar respuestas inmunitarias contra los tumores que se desea combatir. Existen docenas de ensayos clínicos que están probando las vacunas de ARNm como monoterapias o como parte de politerapias en personas con varios tipos de cáncer, incluidos el pancreático, el colorrectal y el melanoma. Varios candidatos han llegado a la fase 2 de los ensayos, que han demostrado una eficacia favorable en melanomas, carcinomas amicrocíticos de pulmón y cáncer de próstata (tabla 1).

Tabla 1. Vacunas de ARNm en ensayos clínicos contra el cáncer (fase 2 y posteriores) 

Nombre de la vacuna	CAS Registry Number®	Indicación terapéutica	Antígeno	Compañía
Autogene cevumeran	2365453-34-3	Melanoma; cáncer colorrectal	Neoantígenos específicos del paciente	BioNTech
mRNA 4157	2741858-84-2	Melanoma	Hasta 34 neoantígenos	Moderna
BNT 113	2882951-85-9	Carcinoma de células escamosas de cabeza y cuello PV16+	Antígenos tumorales derivados de VPH16 (oncoproteína E6 y E7)	BioNTech
CV 9202	1665299-76-2	Carcinomas amicrocíticos de pulmón	NY-ESO-1, MAGE C1, MAGE C2, TPBG (5T4), survivina, MUC1	CureVac
CV 9103	2882951-83-7	Cáncer de próstata	Combinación de cuatro antígenos asociados con el cáncer de próstata	CureVac
SW 1115C3	2882951-82-6	Carcinomas amicrocíticos de pulmón; cáncer de esófago	Neoantígenos específicos del paciente	Stemirna Therapeutics
BNT 111	2755828-88-5	Melanoma	Combinación de cuatro antígenos asociados con el melanoma	BioNTech

Aunque las vacunas de ARNm contra el cáncer están despertando el interés de la comunidad investigadora, la mayor parte de la investigación oncológica se ha centrado tradicionalmente en las terapias de ARNm, y hay una amplia variedad de candidatos que han entrado en la fase de desarrollo clínico (tabla 2), entre ellos: 

• TriMix-MEL (eTheRNA Immunotherapies), una combinación de tres ARNm que activan células inmunitarias esenciales contra el cáncer. 
• Una terapia de ARNm (BioNTech) que codifica un anticuerpo monoclonal que actúa sobre la claudina 18, una proteína que se expresa en varios tipos de cáncer. 
• Un ARNm encapsulado en NPL (MedImmune LLC) administrado mediante inyección intratumoral que se ha diseñado para aumentar la producción local de interleucina-12 (IL-12) e inducir una respuesta inmunitaria antitumoral. 

Tabla 2. Productos terapéuticos de ARNm en ensayos clínicos contra el cáncer

Nombre del fármaco de ARNm	Número de registro de CAS	Indicación terapéutica	Compañía
TriMix-MEL; ECL-006; E011-MEL	2877674-59-2	Melanoma	eTheRNA Immunotherapies
BioNTech-1; BNT 141; BNT-141; BNT141	2877707-22-5	Tumores sólidos	BioNTech
BNT-142; BNT142	2877707-34-9	Tumores sólidos	BioNTech
BNT-151; BNT151	2877709-82-3	Tumores sólidos	BioNTech
BNT 152; BNT152	2877709-92-5	Tumores sólidos	BioNTech
BNT 153; BNT153	2877709-93-6	Tumores sólidos	BioNTech
MEDI1191; MEDI-1191	2877712-03-1	Tumores sólidos	Moderna
mRNA-2752	2878461-50-6	Tumores sólidos	Moderna
SAR-441000	2879301-17-2	Tumores sólidos	Sanofi,  BioNTech
SQZ-eAPC-HPV	2879306-51-9	VPH y tumores sólidos	SQZ Biotechnologies

Las vacunas del ARNm contra el cáncer, cada vez más cerca

En los últimos años, ha habido importantes avances en la tecnología empleada en la lucha contra el cáncer, pero siguen existiendo algunos retos fundamentales. En primer lugar, las vacunas de ARNm contra el cáncer necesitan sistemas de envasado y administración específicos que tengan una afinidad adecuada con el órgano o el tejido en el que deben actuar. Actualmente, los investigadores están evaluando estrategias que faciliten estos aspectos, por ejemplo, mediante la conjugación de restos que actúen sobre órganos concretos con nucleótidos. Aunque las NPL son los vehículos más estudiados para la administración de ARNm, su aplicación clínica se ha visto obstaculizada por los problemas de citotoxicidad y por su tiempo de circulación, relativamente corto. Por este motivo, se están evaluando varios sistemas de administración alternativos (p. ej., exosomas) para mejorar la biodisponibilidad, la carga y la liberación de la carga de ARNm.

Una correcta administración de la carga de ARNm no es suficiente. Para maximizar la eficacia, los investigadores están estudiando estrategias que potencien la expresión de las proteínas in vivo. Todas las partes del ARNm —la caperuza y las regiones 5′ y 3′, el marco abierto de lectura y la cola poliadenilada— se pueden optimizar para incrementar la expresión de las proteínas. Los nucleósidos modificados químicamente han presentado resultados prometedores en esta área.

Además de la cantidad de expresión proteínica, un obstáculo crucial de las vacunas de ARNm es el periodo relativamente corto de producción de proteínas, que obliga a repetir la administración. Se están explorando los ARNm circulares y autoamplificados como estrategias para prolongar la vida útil del ARN y aumentar la producción total de proteínas.

Aunque todavía queda un largo camino por delante, las vacunas de ARNm son una opción clínica versátil para tratar varios tipos de cáncer, ya sea por sí solas o en combinación con otras opciones terapéuticas, como los inhibidores de puntos de control. Mientras esperamos que las primeras terapias de ARNm lleguen al mercado, será interesante explorar los resultados de las numerosas estrategias innovadoras diseñadas para avanzar en la lucha global contra el cáncer.

Si desea obtener más información sobre las vacunas y terapias de ARNm, lea nuestro artículo revisado por pares publicado en ACS Pharmacology and Translational Science.

 

 

 

     

---

 

 

 

 

Unos anuncios de color verde intenso que promocionan Wegovy, un fármaco para perder peso semanalmente, han invadido el metro de Nueva York. Ozempic acapara titulares y hay rumores sobre famosos que organizan fiestas en las que se administra el medicamento. La última incorporación, Mounjaro, está captando la atención de las redes sociales y disfruta de una creciente popularidad global entre los medicamentos aprobados recientemente por la FDA.

Los agonistas del receptor de GLP-1 Ozempic y Wegovy (ambos de Novo Nordisk), y el medicamento combinado Mounjaro (fabricado por Eli Lilly), diseñados originalmente para el tratamiento de la diabetes tipo 2, han experimentado problemas de suministro debidos al aumento de la demanda entre clientes que desean aprovechar sus posibles beneficios como medicamentos para perder peso. La obesidad se ha convertido en un problema global que afecta a aproximadamente un tercio de la población mundial, y se cree que superará el 50 % en 2035. Incrementa el riesgo de sufrir diversas enfermedades, como la cardiopatía coronaria, la hipertensión y la diabetes tipo 2.

En respuesta a esta crisis creciente, los agonistas del receptor de GLP-1 y su potencial combinado con los análogos de GIP y otros tratamientos relacionados se han convertido en opciones de tratamiento prometedoras para la obesidad y otras enfermedades asociadas. Conocer las diferencias entre estos enfoques científicos y el futuro de la pérdida de peso será esencial a medida que surjan nuevas innovaciones en este campo.

¿Cómo procesa el organismo el azúcar y cómo regula los niveles de glucemia?

El organismo tiene una forma de mantener el equilibrio de la glucemia. Cuando la glucemia está baja, las células alfa del páncreas hacen que la hormona glucagón notifique al hígado que tiene que fabricar más azúcar y liberarla en el torrente sanguíneo. Cuando la glucemia está alta, las células beta del páncreas producen insulina, que ayuda al organismo a usar el azúcar o almacenarla en la grasa y en los músculos, y también en el hígado y en otros tejidos corporales. 

El polipéptido inhibidor gástrico (GIP) y el péptido similar al glucagón 1 (GLP-1), dos hormonas secretadas por el intestino, son importantes en la obesidad y la diabetes, ya que desempeñan un papel crucial en la regulación de la producción de insulina. La insulina es necesaria porque mantiene equilibrados los niveles de glucemia. Cuando la glucemia del organismo tiene un valor bajo, las células alfa del páncreas hacen que la hormona glucagón avise al hígado de que debe fabricar más azúcar. Cuando la glucemia está alta, las células beta del páncreas producen insulina, que ayuda al organismo a usar o almacenar la energía.

El GIP estimula la producción tanto de insulina como de glucagón, y protege a las células productoras de insulina frente a la muerte celular, además de fomentar su proliferación. El GLP-1 estimula la liberación de insulina desde el páncreas e inhibe, a la vez, la liberación de glucagón. 

¿Cómo se puede tratar la obesidad con la ayuda de fármacos?

Hasta la fecha, hay varios tipos de medicamentos para el tratamiento de la diabetes y la obesidad. Los agonistas del receptor de GLP-1, como la semaglutida (que se vende con los nombres comerciales Ozempic y Wegovy), activan la producción de insulina imitando las acciones del GLP-1. La tirzepatida (comercializada como Mounjaro) combina agonistas del receptor de GLP-1 y análogos del GIP. Los agonistas del receptor de GLP-1 se unen a los receptores del péptido similar al glucagón 1 en las células, mientras que los análogos de GIP imitan la función del GIP, y ambos estimulan la producción de insulina. Más recientemente ha aparecido un nuevo fármaco, retatrutida, un agonista de GIP, GLP-1 y glucagón con resultados prometedores en las primeras fases de los ensayos clínicos. 

A continuación se resumen los medicamentos y agonistas del receptor de GLP-1 cuyo uso se está valorando para perder peso.

    1. Agonistas del receptor de GLP-1 como la semaglutida (Wegovy, Ozempic)

    2. Estrategias combinadas

           a.    Agonistas del receptor de GLP-1 y GIP, como la tirzepatida (Mounjaro)

           b.    Agonistas del receptor de GLP-1, GIP y glucagón, como la retatrutida

La base científica de estos medicamentos empleados para perder peso

La activación de los receptores de GLP-1 y GIP aumenta el metabolismo de la glucosa y los lípidos en el organismo. Eso reduce el apetito y la velocidad de la digestión, mejora la capacidad de disminuir la adiposidad y limita el riesgo de sufrir enfermedades relacionadas con la obesidad. Entre sus principales efectos se incluyen los siguientes:

• Secreción de insulina: el GLP-1 y el GIP pueden estimular la liberación de insulina en las células beta pancreáticas cuando la glucemia está alta. Esto contribuye a reducir los niveles de glucemia. 
•  
• Vaciado gástrico: el GLP-1 y el GIP pueden ralentizar el paso de los alimentos del estómago al intestino, lo que reduce el apetito y la ingesta de calorías, ya que prolonga la sensación de saciedad.  
• Regulación del apetito: el GLP-1 y el GIP pueden afectar a las regiones del cerebro que controlan las señales de hambre y saciedad. Esto contribuye a reducir el apetito y la ingesta de alimentos y hace que las personas tengan menos hambre y se sientan más saciadas.  

La importancia de las estrategias combinadas

Un factor importante que se debe tener en cuenta en los tratamientos combinados es la sinergia. La sinergia se da cuando el efecto de combinar varios medicamentos es mayor que la suma de los efectos individuales de los distintos fármacos. La importancia de combinar agonistas del receptor de GLP-1 y análogos de GIP en la medicación radica en el hecho de que el proceso afecta a las dos vías moleculares, en lugar de actuar solo sobre una de las dos hormonas principales. En los fármacos monoterapia, como las semaglutidas, se ha descubierto en ensayos con humanos y ratones que se desarrolla tolerancia a algunos de los efectos del medicamento. Las terapias combinadas impiden que el organismo desarrolle tolerancia a los efectos de los fármacos, dado que se actúa sobre varias vías. Otro factor importante en la terapia combinada es la dosificación. Los medicamentos combinados permiten usar dosis más bajas de cada uno de los fármacos que los componen, con lo que se evitan algunos efectos secundarios.

¿Qué resultados se están obteniendo en los ensayos clínicos y en el mundo real? 

Varios ensayos clínicos han demostrado que los fármacos de agonistas del receptor de GLP-1 y los medicamentos combinados de agonistas del receptor de GIP/GLP-1 pueden provocar una pérdida de peso considerable en pacientes con diabetes y obesidad si se comparan con placebos o con otros tratamientos.  

Algunos estudios destacados publicados en The New England Journal of Medicine han puesto de manifiesto la eficacia de la semaglutida y la tirzepatida.        

 

     

 

     

   

 

     

       

 

           

 

           

 

Este informe de CAS Insights, elaborado en colaboración con la Universidad Westlake de Hangzhou, China, repasa el panorama emergente de los hidrogeles, los agentes antimicrobianos, las nanopartículas lipídicas, los exosomas y otros avances que están redefiniendo el futuro de los materiales que interactúan con sistemas biológicos. Este informe identifica las nuevas oportunidades, las tendencias emergentes y los principales desafíos a los que se enfrentan las numerosas industrias y disciplinas que trabajan con biomateriales. Puede obtener más información en el informe detallado que se incluye a continuación.