La IA encontró una vulnerabilidad compartida por todos los coronavirus — y la convirtió en un candidato a vacuna
En la primavera de 2026, un equipo de investigación de la Universidad de Cambridge anunció los resultados de un ensayo clínico de Fase I de una vacuna pancoronavirus experimental — un candidato diseñado no para atacar una cepa de SARS-CoV-2, sino para generar una respuesta inmunitaria contra una característica estructural compartida por todos los coronavirus conocidos. El ensayo inscribió a 96 adultos sanos en el Reino Unido y fue diseñado principalmente para evaluar la seguridad y la dosis óptima. No fue diseñado para medir la protección contra la infección. Esa distinción es importante, y es donde la mayoría de los informes iniciales han sido imprecisos.
El candidato superó su criterio de valoración principal: no se registraron eventos adversos graves y todos los participantes generaron respuestas de anticuerpos medibles contra el antígeno diana. Los datos de Fase I no nos dicen si esos anticuerpos evitarán la enfermedad en el mundo real. Lo que establecen es que la vacuna es lo suficientemente segura como para proceder a ensayos más grandes — y que el proceso de diseño impulsado por IA produjo un antígeno que el sistema inmunitario humano puede reconocer y al que puede responder.
El problema de las vacunas específicas de cepa
Todas las vacunas COVID-19 aprobadas actualmente en uso se dirigen a la proteína de espiga del SARS-CoV-2 — específicamente al dominio de unión al receptor (RBD), la región que el virus utiliza para ingresar a las células humanas. Esta fue una elección de diseño sensata: la proteína de espiga es altamente inmunogénica y el RBD es esencial para la infección. El problema es que la proteína de espiga muta rápidamente. Las variantes que impulsaron oleadas sucesivas — Alfa, Delta, Ómicron y sus descendientes — todas portaban mutaciones en el RBD que evadían parcialmente la inmunidad de vacunas anteriores o infección previa. Los fabricantes han actualizado repetidamente las secuencias de las vacunas para seguir la cepa dominante en circulación, en un proceso que se asemeja a la actualización anual de la vacuna contra la influenza.
El problema más profundo es que la familia de los coronavirus es grande. SARS-CoV-2 es uno de los siete coronavirus conocidos que infectan a los humanos. MERS-CoV, que causa el Síndrome Respiratorio de Oriente Medio, tiene una tasa de letalidad de aproximadamente el 35 por ciento y circula en poblaciones de camellos en toda la Península Arábiga y partes de África. Hay cientos de coronavirus de murciélago, varios de los cuales ya han demostrado la capacidad de infectar células humanas en condiciones de laboratorio. Una vacuna específica de cepa contra el SARS-CoV-2 no proporciona protección cruzada contra ninguno de estos.
Cómo se usó la IA en el proceso de diseño
El enfoque del equipo de Cambridge comenzó con una pregunta que la investigación previa de vacunas no había podido responder computacionalmente a escala: en toda la diversidad de coronavirus, ¿existen regiones estructurales que no cambian — y, de ser así, se puede diseñar un antígeno para hacer que el sistema inmunitario ataque exactamente esas regiones?
Se aplicaron tres métodos de IA en secuencia.
AlphaFold para la predicción estructural. El equipo usó AlphaFold 3 para predecir la estructura tridimensional de proteínas de docenas de cepas de coronavirus — incluyendo cepas para las que no existía ninguna estructura cristalina experimental. La capacidad de AlphaFold para predecir el plegamiento de proteínas solo a partir de la secuencia de aminoácidos significó que se podían identificar regiones estructuralmente conservadas sin los años de trabajo de laboratorio húmedo previamente requeridos para determinar cada estructura experimentalmente. Los investigadores identificaron un segmento del péptido de fusión — una región que el virus usa para fusionar su membrana con la de una célula huésped — que mantenía una geometría casi idéntica en todos los coronavirus analizados.
Mapeo de epítopos basado en ML. Se utilizaron modelos de Machine Learning entrenados en bases de datos de inmunogenicidad para identificar qué subregiones del segmento estructural conservado tenían más probabilidades de ser reconocidas por las células T y B humanas — los componentes de la inmunidad adaptativa responsables de la protección duradera. Este paso filtró las regiones conservadas que, aunque estructuralmente estables, era improbable que generaran una respuesta inmunitaria robusta, y marcó aquellas con mayor probabilidad de ser epítopos genuinos: objetivos moleculares específicos que el sistema inmunitario puede aprender a atacar.
Diseño de antígeno generativo. En lugar de usar la secuencia peptídica natural como antígeno de la vacuna, el equipo aplicó un modelo ML generativo para rediseñar la superficie del antígeno mientras preservaba su forma tridimensional y los residuos clave del epítopo. El objetivo era hacer que el antígeno fuera más inmunogénico — más visible para el sistema inmunitario — que la secuencia viral nativa, que los coronavirus han evolucionado en parte para ocultar. Este proceso produjo varias secuencias de antígenos candidatos que se probaron primero en modelos de ratón antes de seleccionar el candidato principal para ensayos humanos.
Qué significa "pancoronavirus" en la práctica
Una vacuna pancoronavirus se dirige a regiones conservadas — partes de proteínas virales que no pueden mutar sin destruir la capacidad del virus para funcionar. La región del péptido de fusión en la que se centró el equipo de Cambridge está conservada porque desempeña un papel mecánicamente esencial en la infección: se inserta en la membrana de la célula huésped para iniciar la fusión de membranas. Un virus que mutara esta región perdería la capacidad de infectar células y no sobreviviría para replicarse. La evolución ha bloqueado esta secuencia en toda la familia de los coronavirus, que es exactamente lo que la convierte en un objetivo atractivo para una vacuna.
"Pancoronavirus" no significa que la vacuna esté garantizada para funcionar contra todos los coronavirus en todos los entornos. Significa que la respuesta inmunitaria que genera se dirige a un objetivo que está estructuralmente presente en todos los coronavirus conocidos — por lo que si esa respuesta inmunitaria es efectiva, en principio proporcionaría protección cruzada en toda la familia. El ensayo de Fase I confirmó que el sistema inmunitario monta una respuesta contra el objetivo. Si esa respuesta se traduce en protección clínica contra SARS-CoV-2, MERS-CoV o un futuro coronavirus zoonótico hipotético es lo que los ensayos de Fase II y III están diseñados para determinar.
Ensayo de Fase I: qué se midió y qué se encontró
El ensayo en el Reino Unido inscribió a 96 adultos sanos de 18 a 65 años en tres cohortes de dosis. Los participantes recibieron dos inyecciones intramusculares con 28 días de diferencia. Los criterios de valoración primarios fueron seguridad — eventos adversos, anomalías de laboratorio, cualquier evento adverso grave dentro de los 90 días — y reactogenicidad: reacciones locales en el sitio de inyección y síntomas sistémicos como fiebre, fatiga y dolor de cabeza. Los criterios de valoración secundarios midieron la inmunogenicidad: títulos de anticuerpos séricos contra el antígeno diana y actividad neutralizante contra modelos de pseudovirus de varias cepas de coronavirus.
Los resultados: no se registraron eventos adversos graves en ninguna cohorte. La reactogenicidad estuvo en línea con otras vacunas de subunidades proteicas — dolor en el sitio de inyección y fatiga leve fueron las reacciones más comunes, que generalmente se resolvieron en 48 horas. Todos los participantes seroconvirtieron, lo que significa que todos desarrollaron respuestas de anticuerpos detectables. En la cohorte de dosis más alta, los investigadores observaron anticuerpos neutralizantes de reacción cruzada contra modelos de pseudovirus de SARS-CoV-2 (cepa Wuhan y la subvariante Ómicron más reciente), SARS-CoV-1 y MERS-CoV. La magnitud de las respuestas neutralizantes fue menor que las observadas después de la infección natural por SARS-CoV-2 o las vacunas de mRNA actuales, lo que los investigadores atribuyen a que el sistema inmunitario ha tenido menos exposición previa a este nuevo antígeno diana.
Estos son resultados de inmunogenicidad prometedores para un primer estudio en humanos, pero no son datos de eficacia. Una respuesta de anticuerpos neutralizantes en un ensayo de laboratorio no se traduce automáticamente en protección clínica. Esa conexión debe demostrarse en ensayos más grandes con criterios de valoración de infección real.
El camino hacia la aprobación
Los ensayos de Fase II, que se espera comiencen a finales de 2026 pendientes de revisión regulatoria por parte de la Agencia Reguladora de Medicamentos y Productos Sanitarios del Reino Unido (MHRA), inscribirán a varios cientos de participantes en grupos de edad más amplios — incluyendo adultos mayores, en quienes las respuestas inmunitarias típicamente difieren — y comenzarán a evaluar la inmunogenicidad contra las cepas circulantes de coronavirus en una población más grande y diversa. La Fase II también extenderá el monitoreo de seguridad durante un período de seguimiento más largo.
La Fase III — el ensayo de eficacia fundamental — requeriría decenas de miles de participantes y suficiente coronavirus circulante para medir la protección contra la infección o enfermedad grave. Los requisitos estadísticos para un ensayo de Fase III significan que es poco probable que se complete antes de 2029 en un cronograma optimista. La aprobación regulatoria por parte de la FDA, EMA o la precalificación de la OMS para su implementación global seguiría, agregando más tiempo. El desafío de la ampliación de fabricación es sustancial: el formato de subunidad proteica adyuvada que utilizó el equipo de Cambridge es más complejo de producir a escala que las vacunas de mRNA, aunque tiene la ventaja de no requerir almacenamiento ultrafrío.
IA como infraestructura para el desarrollo de vacunas
El proyecto pancoronavirus de Cambridge es uno de varios que ilustran un cambio estructural en cómo se diseñan las vacunas. El lanzamiento público de AlphaFold en 2021 eliminó un cuello de botella importante — la determinación de la estructura de las proteínas — de las primeras etapas del diseño de antígenos de vacunas. Lo que antes requería años de cristalografía de rayos X o microscopía crioelectrónica ahora se puede calcular en horas. Esa compresión no acelera los ensayos clínicos, que están gobernados por la biología y los requisitos regulatorios que no se pueden acortar. Pero reduce drásticamente el tiempo entre "identificar un objetivo" y "tener un antígeno candidato comprobable".
Los métodos de diseño de antígenos generativos aplicados en este trabajo aún están madurando. Los modelos se entrenaron principalmente con datos de familias de proteínas bien estudiadas; su confiabilidad para objetivos virales novedosos depende de qué tan bien esos objetivos se asemejen a la distribución de entrenamiento. El campo también está lidiando con cómo validar antígenos generados por IA — los ensayos de laboratorio para inmunogenicidad son los mismos que antes y siguen siendo el cuello de botella después de la fase de diseño computacional.
Lo que ha cambiado es el espacio de hipótesis que los investigadores pueden explorar. Un equipo que anteriormente podría evaluar de cinco a diez candidatos a antígenos antes de ingresar a las pruebas preclínicas ahora puede examinar computacionalmente miles de variantes de diseño y llevar al laboratorio las de mejor rendimiento. Si incluso una fracción de los candidatos resultantes tiene éxito en ensayos humanos a la tasa que el trabajo pancoronavirus de Cambridge sugiere que es posible, la tubería desde el descubrimiento viral hasta el ensayo de Fase I — que tomó aproximadamente 18 meses para las primeras vacunas COVID-19 en condiciones de emergencia — podría ser alcanzable en menos de un año para futuras amenazas de pandemia. Eso no es una garantía de que la ciencia cumpla con ese cronograma. Es una razón para seguir de cerca los resultados de la Fase II.