English
En los últimos años, las terapias basadas en ARN han ganado protagonismo, con 6 recientes aprobaciones de comercialización entre 2023 y la primera mitad de 2025. Sin embargo, la tecnología enfrenta limitaciones importantes como su corta vida media y la dificultad de entrega eficaz en los tejidos adecuados.
Un nuevo artículo publicado en Genetic Engineering & Biotechnology News ofrece una visión a cómo el ARN circular podría seguir impulsando este tipo de terapias.
El ARN lineal, base de la mayoría de las terapias actuales es susceptible a la degradación por nucleasas. Esta característica obliga a administrar dosis más frecuentes y a desarrollar vehículos complejos de delivery, como las nanopartículas lipídicas, para proteger la molécula y asegurar su llegada al punto de acción.
El ARN circular (ARNcirc) ofrece una solución prometedora: al no tener extremos libres es mucho más resistente a la degradación, lo que le otorga una vida media significativamente mayor dentro del organismo. Este simple cambio estructural abre la puerta a terapias más duraderas, predecibles y eficaces.
Pero más allá de su estabilidad, el ARNcirc también permite nuevas formas de control sobre la producción de proteínas en el cuerpo, lo cual es clave para enfermedades donde la dosificación precisa es crítica.
Entre las estrategias emergentes dentro del campo de las terapias de ARN, se encuentra el desarrollo de formas circulares de ARN diseñadas para ofrecer mayor estabilidad y control sobre la expresión génica. Estas moléculas pueden ser modificadas para ajustar tanto la cantidad como la duración de la producción de proteínas, lo que representa un avance frente a algunas limitaciones del ARN lineal.
En modelos preclínicos, este tipo de ARN ha demostrado mantener su actividad durante periodos más prolongados, lo que sugiere la posibilidad de espaciar en el tiempo las dosis terapéuticas.
Del mismo modo que Sylentis con su plataforma de IA para el diseño de oligonucleótidos terapéuticos SIRFINDER, una se pueden diseñar ARNcirc con IA. . Este enfoque computacional busca mejorar la previsibilidad del comportamiento biológico de las moléculas desde las etapas tempranas del desarrollo. Lo más innovador de ese enfoque es que permite explorar vastos espacios de secuencia para optimizar el comportamiento del ARN en función del objetivo terapéutico. Esto acelera la fase de desarrollo preclínico y mejora la calidad de las moléculas candidatas desde el inicio.
Para proyectos como SYOLIGO, que exploran el potencial de los oligonucleótidos terapéuticos, estas nuevas tecnologías representan una inspiración clara y una oportunidad de innovación. El futuro de la medicina personalizada podría depender de cómo redibujamos las estructuras fundamentales de nuestras herramientas biológicas.
