Forschern des MIT ist ein bedeutender Durchbruch gelungen. Sie nutzten die Möglichkeiten der künstlichen Intelligenz, um effizientere Nanopartikel für die Verabreichung von Impfstoffen und Therapien auf RNA-Basis herzustellen. Dieser Sprung nach vorn könnte die Entwicklung von Behandlungen für eine Vielzahl von Krankheiten vorantreiben, von Infektionskrankheiten bis hin zu Stoffwechselstörungen wie Diabetes und Fettleibigkeit.
RNA-Impfstoffe, wie sie zur Bekämpfung von COVID-19 eingesetzt werden, sind auf Lipid-Nanopartikel (LNP) angewiesen, um das genetische Material sicher in die Zellen zu bringen. Obwohl diese Nanopartikel eine wesentliche Rolle dabei spielen, dass die RNA ihr Ziel unversehrt erreicht, war die Herstellung der wirksamsten LNPs bisher ein langsamer, mühsamer Prozess. Das MIT-Team hat diesen Engpass jedoch mit Hilfe künstlicher Intelligenz umgangen.
Indem sie ein Modell für maschinelles Lernen anhand einer Sammlung von Tausenden bereits getesteter LNP-Formulierungen trainierten, entwickelten sie ein System, das in der Lage ist, neue und effizientere Kombinationen vorherzusagen – ein System, das sie COMET nannten. Das Modell begnügt sich nicht nur mit der Verbesserung der Effizienz, sondern kann sogar Formulierungen vorschlagen, die auf bestimmte Zelltypen zugeschnitten sind und neuartige Materialien enthalten, um die Leistung zu steigern.
Das Team entwickelte das maschinelle Lernmodell COMET, wobei es sich von derselben Transformer-Architektur inspirieren ließ, die auch großen Sprachmodellen wie ChatGPT zugrunde liegt. Die Aufgabe von COMET bestand darin, zu verstehen, wie verschiedene chemische Bestandteile in einem Nanopartikel miteinander interagieren und dadurch bestimmen, wie effizient dieses RNA in Zellen transportieren kann. Alvin Chan, ehemaliger Postdoktorand am MIT und Mitautor dieser bahnbrechenden Studie, erklärt: “COMET lernt, wie diese Komponenten zusammenwirken und die Effizienz der Transportleistung beeinflussen.”
Für das Training von COMET wurden etwa 3.000 LNP-Formulierungen verwendet. Jede von ihnen wurde im Labor methodisch getestet, um ihre Effizienz bei der Übertragung von mRNA auf Zellen zu messen, so dass das Modell Muster erkennen und wirksamere Formulierungen vorhersagen kann. Bei Tests an im Labor gezüchteten Mäusehautzellen zeigten die von der KI vorhergesagten LNPs beeindruckende Ergebnisse und übertrafen viele bestehende Optionen, darunter auch einige, die derzeit kommerziell genutzt werden, was einen bedeutenden Moment in der Nutzung der KI zur Beschleunigung der biomedizinischen Forschung darstellt.
Nachdem die Genauigkeit des Modells bestätigt worden war, widmete sich das Team komplexeren Fragestellungen, beispielsweise der Frage, ob das Modell Formulierungen vorhersagen könnte, die einen zusätzlichen fünften Inhaltsstoff enthalten, wie beispielsweise verzweigte Poly-Beta-Aminoester (PBAEs). Diese Polymere haben sich bereits für sich genommen als vielversprechend für den Transport von Nukleinsäuren erwiesen. Daraufhin wurde COMET mit einem zusätzlichen Datensatz von rund 300 LNPs, die PBAEs enthielten, trainiert und schlug erfolgreich neue, effizientere Kombinationen vor. Dieser Erfolg unterstrich erneut die Vielseitigkeit des Modells, da es anschließend LNPs vorhersagen konnte, die für bestimmte Zelltypen optimiert waren, darunter Caco-2-Zellen, die aus Darmkrebs stammen.
Eine weitere Herausforderung, der sich das Forschungsteam stellte, bestand darin, sicherzustellen, dass die LNPs während der Lagerung stabil bleiben. Mithilfe von COMET wurde vorhergesagt, welche Formulierungen der Lyophilisierung – einem Gefriertrocknungsverfahren, das zur Verlängerung der Haltbarkeit vieler Arzneimittel eingesetzt wird – am besten standhalten würden. Das Modell identifizierte stabile Kandidaten und bewies damit seinen Nutzen in der Praxis.
Die Forschung ist Teil einer umfassenderen Initiative, die vom MIT geleitet und von der US-amerikanischen “Advanced Research Projects Agency for Health” (ARPA-H) finanziell unterstützt wird. Ziel ist es, verschluckbare Geräte zu entwickeln, mit denen RNA-Therapien oral verabreicht werden können, wodurch sie zugänglicher und einfacher anzuwenden sind. Giovanni Traverso, leitender Autor der Studie und außerordentlicher Professor für Maschinenbau am MIT, erklärt: “Die Maximierung der Verabreichungseffizienz ist entscheidend, um im Körper genügend therapeutisches Protein zu produzieren.” Er lobt zudem: „Dieser KI-gestützte Ansatz ermöglicht es uns, neue Formulierungen schneller und effektiver als je zuvor zu erforschen.“ Um die nächste Herausforderung anzugehen, integriert das Team diese KI-gestalteten Nanopartikel nun in experimentelle Behandlungen gegen Adipositas und Diabetes.
Diese bahnbrechende Forschung wurde durch die großzügige finanzielle Unterstützung des GO Nano Marble Center am Koch Institute, der Karl-van-Tassel-Karriereförderungsprofessur, des Fachbereichs Maschinenbau des MIT, des Brigham and Women’s Hospital und von ARPA-H ermöglicht. Weitere detaillierte Informationen zu dieser Innovation finden Sie im Originalartikel unter MIT-Nachrichten.
Diese Website verwendet Cookies.