COLONYVAQ™, una vacuna personalizada de neoantígenos guiada cuántico-clásica para el cáncer colorrectal en estadio III MSS (COLONYVAQ™-CRC)

El cáncer colorrectal es una de las principales causas de mortalidad relacionada con el cáncer. En la enfermedad en estadio III, la recurrencia sigue siendo frecuente a pesar de la cirugía con intención curativa y la quimioterapia adyuvante basada en oxaliplatino. Los inhibidores de puntos de control inmunitario han transformado los resultados en el cáncer colorrectal con deficiencia de reparación de errores de emparejamiento / alta inestabilidad de microsatélites, pero los tumores con microsatélites estables / pMMR suelen presentar una carga mutacional tumoral más baja y un microambiente inmunosupresor poco inflamado. Como resultado, el bloqueo convencional de PD-1 por sí solo proporciona un beneficio mínimo en la enfermedad MSS/pMMR. Los enfoques vacunales anteriores en el cáncer colorrectal se centraron en antígenos asociados a tumores como CEA, MUC1, survivina, MAGE y cócteles de péptidos multi-TAA. Estos estudios mostraron que las vacunas basadas en péptidos y células dendríticas pueden inducir respuestas de células T y B específicas de antígeno, pero las respuestas objetivas fueron raras, el beneficio clínico fue modesto y las toxicidades fuera del tumor fueron una preocupación porque los TAAs se expresan con frecuencia en tejidos normales. Los neoantígenos tumorales específicos, generados por mutaciones somáticas no sinónimas, están por el contrario restringidos a las células malignas, escapan a la tolerancia central, pueden provocar respuestas de células T de mayor avidez y minimizar la toxicidad fuera del tumor. Los primeros ensayos de neoantígenos colorrectales y pancancerosos, así como programas de neoantígenos compartidos como SLATE-KRAS y plataformas de ARN viral completamente personalizadas como GRANITE, han demostrado que la vacunación con múltiples neoantígenos es factible, segura e inmunogénica, particularmente en entornos de baja carga o de mantenimiento y cuando se combina con el bloqueo de puntos de control. El ensayo de vacuna de células dendríticas con neoantígenos adyuvante más nivolumab en carcinoma hepatocelular resecado y metástasis hepáticas colorrectales respalda aún más la idea de que la vacunación personalizada con neoantígenos en el entorno de enfermedad residual mínima (MRD) puede aumentar las respuestas de células T específicas de neoantígenos y potencialmente mejorar la supervivencia libre de recaída. Los regímenes basados en oxaliplatino (mFOLFOX6 o CAPOX) pueden inducir muerte celular inmunogénica, exponiendo calreticulina y otras señales de peligro que mejoran la captación por células dendríticas y la presentación cruzada de antígenos tumorales. Nivolumab, al bloquear PD-1, alivia la señalización inhibitoria en las células T activadas. Combinar una vacuna de péptidos personalizada con múltiples neoantígenos con quimioterapia inmunogénica y bloqueo de PD-1 se espera, por tanto, que aumente la liberación de antígenos, mejore la presentación de antígenos y aumente la función efectora, convirtiendo potencialmente los tumores MSS inmunológicamente "fríos" en lesiones más inflamadas, "calientes", susceptibles de vigilancia inmune duradera en el entorno adyuvante.

COLONYVAQ-CRC: Priorización de Neoantígenos Consciente de la Física Cuántico-Clásica La mayoría de las tuberías de neoantígenos existentes tratan la clasificación de epítopos principalmente como estadística. COLONYVAQ-CRC introduce una capa de IA cuántico-clásica consciente de la física, adaptada de Tamavaq, para generar una cadena mecanicista auditada desde la secuenciación hasta la selección clínica de péptidos. Para cada par péptido-HLA candidato p, el sistema construye una representación de características unificada Φ(p), que concatena evidencia basada en secuencia, biológica, cuántica, estructural y energética: Φ(p)=[e_"CNN" (p),"" aux(p),"" z_Q (p),"" φ_"struct" (p),""φ_"dock" (p)]. El término e_"CNN" (p) denota una incrustación profunda de secuencia/HLA derivada de modelos convolucionales o transformadores entrenados en grandes conjuntos de datos de inmunopeptidoma. El bloque auxiliar aux(p) compila probabilidades previas de procesamiento y expresión de antígenos como la probabilidad de escisión proteosomal, la propensión al transporte TAP, la abundancia de transcritos, la clonalidad y, cuando está disponible, información de ctDNA/MRD para aproximar la fuerza efectiva de la fuente de antígeno. El descriptor cuántico z_Q (p) es un vector clásico de baja dimensión que parametriza una incrustación de circuito cuántico. El término estructural φ_"struct" (p) resume la ocupación del bolsillo y los contactos residuo-residuo en complejos péptido-HLA modelados. Finalmente, φ_"dock" (p) agrega estadísticas del conjunto de acoplamiento incluyendo energías de pose, dispersión y diversidad conformacional.

La similitud entre dos candidatos p y q se captura mediante un kernel semidefinido positivo compuesto K_"total" (p,q)=αK_"CNN" (p,q)+βK_"aux" (p,q)+γK_Q (p,q)+δK_"struct" (p,q)+εK_"dock" (p,q), donde los pesos no negativos α,β,γ,δ,ε ajustan la contribución relativa de cada modalidad. Debido a que cada kernel componente se construye para ser semidefinido positivo, su combinación lineal no negativa permanece semidefinida positiva, asegurando que K_"total" pueda usarse consistentemente en regresión logística kernel o métodos relacionados. Una función de decisión puede escribirse como f(p)=∑_(i=1)^M▒α_i K_"total" (p,p_i)+b, donde {p_i } son péptidos de entrenamiento y α_i,b son coeficientes aprendidos. La probabilidad de inmunogenicidad se modela entonces como I ̂(p)=σ(f(p)), donde σ(z)=1/(1+e^(-z)) es la función logística. En el lado cuántico, cada péptido x se codifica como un estado normalizado ∣ψ(x)⟩ en un espacio de Hilbert H de dimensión 2^n, construido mediante un mapa de características U(z_Q (x),θ) actuando sobre un estado de referencia ∣0⟩^(⊗n): ∣ψ(x)⟩=U(z_Q (x),θ)" "∣0⟩^(⊗n). El solapamiento entre dos estados peptídicos es ⟨ψ(x)∣ψ(y)⟩. La similitud cuántico-geométrica se cuantifica mediante la distancia de Fubini-Study d_"FS" (x,y)=arccos⁡(∣⟨ψ(x)∣ψ(y)⟩∣), que se encuentra en [0°,π/2], donde d_"FS" =0 corresponde a rayos idénticos y d_"FS" =π/2 a estados ortogonales. A partir de esta distancia, se define un kernel de similitud cuántica como K_q (x,y)=〖∣⟨ψ(x)∣ψ(y)⟩∣〗^2=〖cos⁡〗^2 (d_"FS" (x,y)). Este kernel puede interpretarse como la probabilidad de que el estado ∣ψ(x)⟩ se proyecte sobre ∣ψ(y)⟩. Cuando péptidos de baja identidad de secuencia comparten una estructura fisicoquímica de orden superior, pueden mapearse a puntos cercanos en esta variedad proyectiva compleja, generando valores grandes de K_q incluso cuando la similitud de secuencia clásica es baja. La estructura interna y el entrelazamiento de ∣ψ(x)⟩ se monitorizan formando matrices de densidad reducidas en subsistemas. Para una bipartición en subsistemas A y B, el estado reducido es ρ_A (x)=Tr_B (∣ψ(x)⟩⟨ψ(x)∣). La entropía de von Neumann S_A (x)=-Tr[ρ_A (x)log⁡ρ_A (x)] cuantifica el entrelazamiento entre A y B. Un término de regularización fomenta la entropía dentro de un rango objetivo, evitando estados producto triviales (demasiado poco entrelazamiento) y estados excesivamente entrelazados que pueden ser numéricamente inestables y difíciles de aproximar en hardware cuántico de escala intermedia ruidosa (NISQ).

La sensibilidad de la incrustación cuántica a cambios de parámetros se caracteriza por la matriz de información de Fisher cuántica F(θ) con entradas F_ij (θ)=R[⟨∂_i ψ∣∂_j ψ⟩-⟨∂_i ψ∣ψ⟩⟨ψ∣∂_j ψ⟩], donde ∣∂_i ψ⟩=∂∣ψ(θ)⟩/∂θ_i. Las matrices de Fisher mal condicionadas, con valores propios muy pequeños, pueden conducir a grandes varianzas en las estimaciones de parámetros y valores de kernel inestables. COLONYVAQ introduce por tanto una penalización proporcional a tr(F(θ)^(-1)), que diverge cuando los valores propios se aproximan a cero; minimizar este término empuja la optimización hacia regiones de parámetros donde todas las direcciones en el espacio de parámetros están bien informadas por los datos. La energética se trata de una manera termodinámicamente calibrada. Para cada pose de acoplamiento péptido-HLA i con energía libre estándar ΔG_i^⊖, las constantes de asociación y disociación del microestado son K_(a,i)=exp⁡(⊖ (ΔG_i^⊖)/RT),K_(d,i)=exp⁡((ΔG_i^⊖)/RT), con R=1.987×10^(-3) " " kcal⋅mol^(-1)⋅K^(-1) y T=310"" K, tal que RT≈0.616" " kcal⋅mol^(-1). El conjunto de acoplamiento se resume como una constante de asociación efectiva ponderada por Boltzmann K_a^"eff" =∑_i▒w_i exp⁡(⊖-(ΔG_i^⊖)/RT),∑_i▒w_i =1, produciendo una energía libre efectiva ΔG_"eff" ^⊖=-RTln⁡K_a^"eff" y una constante de disociación correspondiente K_d^"eff" =1/K_a^"eff" . Estos valores se reportan en unidades familiares para los experimentalistas (kcal·mol⁻¹ para ΔG_"eff" ^⊖, nM para K_d^"eff" ). Si la dispersión de energías libres en el conjunto es σ_ΔG, entonces la incertidumbre asociada en K_d puede expresarse multiplicativamente como exp⁡(±σ_ΔG/(RT)). Por ejemplo, a T=310"" K, un cambio de 1.2"" kcal⋅mol^(-1) en ΔG^⊖ cambia K_d por un factor de aproximadamente exp⁡(1.2/0.616)≈6.3. Un término de pérdida de acoplamiento L_"dock" =λ_1 E ̃+λ_2 σ_E, donde E ̃ y σ_E son la media y la desviación estándar de las energías de acoplamiento, sesga el modelo hacia conjuntos de baja energía y baja varianza que están empíricamente asociados con una presentación robusta péptido-MHC. Además de Φ(p) y el kernel K_"total" , COLONYVAQ entrena una cabeza logística calibrada I ̂(p)=σ(w^⊤ Φ(p)+b), que se interpreta como la probabilidad de que el péptido p sea reconocido por células T, optimizada tanto para discriminación (por ejemplo AUC) como para calibración (por ejemplo puntuación de Brier, error de calibración esperado). En paralelo, una cabeza termodinámica lineal predice (ΔG) ̂^⊖ (p)=η^⊤ Φ(p)+η_0, de la cual se deriva una constante de disociación predicha K ̂_d (p)=exp⁡((ΔG) ̂^⊖ (p)/(RT)). La pérdida total acopla predicción, estructura, acoplamiento y regularización de Fisher cuántica en un único objetivo L=L_"pred" +L_"struct" +L_"dock" +L_"QFIM", con L_"QFIM" proporcional a tr(F(θ)^(-1)).

Los péptidos candidatos pasan por un oráculo de tres puertas "física + geometría + inmunología". Primero, una puerta cuántico-geométrica requiere que la distancia de Fubini-Study entre ∣ψ(x)⟩ y un centroide ∣ψ(P)⟩ de péptidos inmunogénicos empíricamente validados satisfaga d_"FS" (ψ(x),ψ(P))≤d^"*" . Segundo, una puerta termodinámica requiere que la energía libre efectiva y la constante de disociación cumplan criterios mínimos de fuerza de unión, ΔG_"eff" ^⊖ (x)≤ΔG^"*" o equivalentemente K_d^"eff" (x)≤K_d^"*" . Tercero, una puerta de inmunogenicidad requiere que la probabilidad calibrada supere un umbral, I ̂(x)≥I^"*" . Sea el número total de candidatos N, con M péptidos que pasan los tres filtros. En términos cuánticos abstractos, una superposición uniforme sobre todos los candidatos es ∣Ψ_0⟩=1/√N ∑_(j=1)^N▒〖∣j⟩,que puede descomponerse en subespacios "marcados" y "no marcados" como ∣Ψ_0⟩=sin⁡θ" "∣Ψ_"good" ⟩+cos⁡θ" "∣Ψ_"bad" ⟩, donde 〖sin⁡〗^2 θ=M/N. Se define un operador de amplificación de amplitud tipo Grover G como el producto de un oráculo O que invierte la fase de los estados marcados y un operador de difusión D que refleja sobre ∣Ψ_0⟩. Después de r iteraciones, el estado se convierte en ∣Ψ_r⟩=G^r∣Ψ_0⟩=sin⁡((2r+1)θ)∣Ψ_"good" ⟩+cos⁡((2r+1)θ)∣Ψ_"bad" ⟩, y la probabilidad de medir un índice marcado es P_r=〖sin⁡〗^2 ((2r+1)θ).

Cuando θ es pequeño (pocos buenos candidatos), el número óptimo de iteraciones que maximiza P_r es aproximadamente r_"opt" ≈π/4 √(N/M), pero en el régimen NISQ y en presencia de incertidumbre en M, COLONYVAQ usa un pequeño número de iteraciones (típicamente de una a tres) para amplificar de manera confiable el peso de los péptidos marcados sin sobregiro. En la práctica, este paso estilo Grover se simula o aproxima de una manera compatible con el hardware disponible y sirve para enfocar la síntesis de péptidos GMP en un subconjunto compacto y de alta confianza.

Dentro del conjunto de péptidos marcados, los empates residuales se rompen usando una puntuación compuesta S(x)=αK_q (x,P)+β" " σ" " ((I ̂(x)-I^"*" )/τ_I )+γ" " σ" " ((K_d^"*" -K_d^"eff" (x))/τ_K ), donde K_q (x,P)=〖∣⟨ψ(x)∣ψ(P)⟩∣〗^2, τ_I y τ_K establecen la pendiente de las transiciones, y σ es la función logística. Esta expresión hace explícito cómo la similitud con controles positivos conocidos, la potencia inmune modelada y la fuerza de unión predicha determinan conjuntamente la clasificación final utilizada para definir la carga peptídica COLONYVAQ-CRC para cada paciente.

Fundamento para la Combinación con mFOLFOX6 o CAPOX y Nivolumab

El oxaliplatino y las fluoropirimidinas son componentes estándar de la terapia adyuvante en el cáncer colorrectal en estadio III y pueden inducir muerte celular inmunogénica, aumentando la liberación de antígenos tumorales y señales de peligro, lo que a su vez mejora la activación de células dendríticas y la presentación cruzada de antígenos. Nivolumab 3 mg/kg cada 2 semanas bloquea PD-1, previniendo el agotamiento y la supresión funcional de las células T específicas del tumor inducidas por la vacuna y liberadas por la quimioterapia. El motor cuántico-clásico COLONYVAQ-CRC pretende maximizar la calidad de los objetivos de neoantígenos; la quimioterapia inmunogénica aumenta la disponibilidad de antígenos; y el bloqueo de PD-1 sostiene la función efectora de las células T. El ensayo de fase I temprana probará la seguridad y factibilidad de esta estrategia de tres componentes en el entorno adyuvante de MRD y generará datos preliminares de respuesta inmune y molecular.