O desenvolvimento de medicamentos baseados em anticorpos começa com a descoberta de um anticorpo capaz de se ligar a uma seção específica, conhecida como epítopo, em uma proteína associada a uma doença. Encontrar um anticorpo adequado pode não ser fácil.
A ImmunitoAI, sediada em Bangalore, aplica inteligência artificial para resolver esse problema. Sua plataforma AbInitio é projetada para desenhar anticorpos para um alvo e epítopo selecionados, após o que a startup realiza testes em seu próprio laboratório.
A startup foi fundada em 2020 pelo Dr. Aridni Shah e Trish Chatterji através do acelerador de talentos Entrepreneur First, onde se conheceram em agosto daquele ano.
Shah, que é CEO, possui doutorado em ciências biológicas pela NCBS-TIFR e bacharelado em ciências biomédicas pela Universidade de Delhi. Chatterji, diretor técnico, tem mestrado em ciência da computação pela Universidade de Delhi e anteriormente trabalhou como engenheiro sênior de desenvolvimento de software no departamento de pesquisa e desenvolvimento da GreyOrange.
A ideia inicial surgiu de uma pesquisa de doutorado de Shah sobre abelhas melíferas. Como as abelhas melíferas não são um organismo modelo, obter anticorpos contra suas proteínas era difícil. Discussões iniciais com especialistas do setor mostraram que os fabricantes de medicamentos enfrentam um problema semelhante ao procurar anticorpos iniciais adequados, observa Chatterji.
Chatterji gastou cerca de três meses desenvolvendo a ideia e até três semanas criando o primeiro protótipo. Esta versão classificava potenciais anticorpos, o que é uma tarefa mais simples do que o trabalho de design de anticorpos que o AbInitio faz hoje.
A equipe de biologia da ImmunitoAI primeiro define a área da doença, a proteína alvo e o epítopo ao qual o anticorpo deve se ligar. Também é determinado se o anticorpo deve bloquear ou ativar o alvo. Em seguida, o AbInitio projeta anticorpos e estruturas semelhantes a anticorpos, incluindo nanotipos — pequenos anticorpos monodomínio — para o epítopo selecionado.
A plataforma é treinada em estruturas tridimensionais de pares de proteínas de ligação do Protein Data Bank, um repositório público. A transformação matemática desenvolvida pela startup converte coordenadas atômicas tridimensionais em dois grafos, onde os átomos são representados por pontos e as ligações mostram seus locais de interação.
O modelo estuda como as formas de duas proteínas se encaixam uma na outra, sendo que os sulcos de uma correspondem às protuberâncias da outra. Ele também estuda quais aminoácidos, que são os blocos de construção das proteínas, se ligam entre si. Durante a fase de projeto, a plataforma verifica propriedades características de medicamentos para reduzir a necessidade de ajustes posteriores.