Forschern des MIT ist ein bedeutender Durchbruch gelungen. Sie nutzten die M\u00f6glichkeiten der k\u00fcnstlichen Intelligenz, um effizientere Nanopartikel f\u00fcr die Verabreichung von Impfstoffen und Therapien auf RNA-Basis herzustellen. Dieser Sprung nach vorn k\u00f6nnte die Entwicklung von Behandlungen f\u00fcr eine Vielzahl von Krankheiten vorantreiben, von Infektionskrankheiten bis hin zu Stoffwechselst\u00f6rungen wie Diabetes und Fettleibigkeit.<\/p>\n
RNA-Impfstoffe, wie sie zur Bek\u00e4mpfung 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, m\u00fchsamer Prozess. Das MIT-Team hat diesen Engpass jedoch mit Hilfe k\u00fcnstlicher Intelligenz umgangen.<\/p>\n
Indem sie ein Modell des maschinellen Lernens auf eine Sammlung von Tausenden von zuvor erprobten LNP-Formulierungen trainierten, entwickelten sie ein System, das neue und effizientere Kombinationen vorhersagen kann - ein System, das sie COMET nannten. Das Modell begn\u00fcgt sich nicht mit der Verbesserung der Effizienz, sondern kann sogar Formulierungen vorschlagen, die auf bestimmte Zelltypen zugeschnitten sind und neuartige Materialien zur Leistungssteigerung enthalten.<\/p>\n
Das Team entwickelte COMET, das Modell f\u00fcr maschinelles Lernen, und lie\u00df sich dabei von der gleichen Transformer-Architektur inspirieren, die auch gro\u00dfe Sprachmodelle wie ChatGPT antreibt. Die Aufgabe von COMET bestand darin, zu verstehen, wie die verschiedenen chemischen Bestandteile eines Nanopartikels interagieren und bestimmen, wie effizient es RNA in die Zellen transportieren kann. Wie Alvin Chan, ein ehemaliger MIT-Postdoktorand und Mitautor dieser bahnbrechenden Studie, erkl\u00e4rt, \"lernt COMET, wie diese Komponenten zusammenkommen, um die Effizienz der Abgabe zu beeinflussen.\"<\/p>\n
F\u00fcr das Training von COMET wurden etwa 3.000 LNP-Formulierungen verwendet. Jede von ihnen wurde im Labor methodisch getestet, um ihre Effizienz bei der \u00dcbertragung von mRNA auf Zellen zu messen, so dass das Modell Muster erkennen und wirksamere Formulierungen vorhersagen kann. Bei Tests an im Labor gez\u00fcchteten M\u00e4usehautzellen zeigten die von der KI vorhergesagten LNPs beeindruckende Ergebnisse und \u00fcbertrafen 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.<\/p>\n
Nach der Validierung der Genauigkeit des Modells untersuchte das Team komplexere Fragen, z. B. ob das Modell Formulierungen vorhersagen kann, die einen zus\u00e4tzlichen f\u00fcnften Bestandteil enthalten, wie verzweigte Poly-Beta-Amino-Ester (PBAEs). Diese Polymere haben sich als vielversprechend f\u00fcr die Verabreichung von Nukleins\u00e4uren erwiesen. COMET wurde daraufhin auf eine zus\u00e4tzliche Gruppe von etwa 300 LNPs mit PBAEs trainiert und schlug erfolgreich neue, effizientere Kombinationen vor. Diese Leistung unterstrich erneut die Vielseitigkeit des Modells, da es anschlie\u00dfend LNPs vorhersagen konnte, die f\u00fcr bestimmte Zelltypen optimiert sind, darunter Caco-2-Zellen aus Darmkrebs.<\/p>\n
Eine weitere H\u00fcrde, die das Forschungsteam zu \u00fcberwinden hatte, war die Gew\u00e4hrleistung der Stabilit\u00e4t von LNPs w\u00e4hrend der Lagerung. Mithilfe von COMET wurde vorhergesagt, welche Formulierungen der Gefriertrocknung am besten standhalten - einer Technik, die zur Verl\u00e4ngerung der Haltbarkeit vieler Medikamente eingesetzt wird. Das Modell identifizierte stabile Kandidaten und bewies damit seinen Nutzen f\u00fcr reale Anwendungen.<\/p>\n
Die Forschungsarbeiten sind Teil einer umfassenderen Initiative, die vom MIT angef\u00fchrt und von der U.S. Advanced Research Projects Agency for Health (ARPA-H) finanziell unterst\u00fctzt wird. Ziel ist es, einnehmbare Ger\u00e4te zu entwickeln, mit denen RNA-Behandlungen oral verabreicht werden k\u00f6nnen und die dadurch leichter zug\u00e4nglich und einfacher zu verwenden sind. Giovanni Traverso, Hauptautor der Studie und au\u00dferordentlicher Professor f\u00fcr Maschinenbau am MIT, r\u00e4umt ein, dass \"die Maximierung der Verabreichungseffizienz entscheidend ist, um gen\u00fcgend therapeutisches Protein im K\u00f6rper zu produzieren.\" Er lobt auch die Tatsache, dass \"dieser KI-gesteuerte Ansatz es uns erm\u00f6glicht, neue Formulierungen schneller und effektiver als je zuvor zu erforschen.\" Das Team stellt sich der n\u00e4chsten Herausforderung und setzt diese von der KI entwickelten Nanopartikel nun in experimentellen Behandlungen f\u00fcr Fettleibigkeit und Diabetes ein.<\/p>\n
Diese bahnbrechende Forschung wurde durch die gro\u00dfz\u00fcgige Finanzierung durch das GO Nano Marble Center am Koch-Institut, die Karl van Tassel Career Development Professorship, das MIT Department of Mechanical Engineering, das Brigham and Women's Hospital und ARPA-H erm\u00f6glicht. Weitere Informationen \u00fcber diese Innovation finden Sie im Originalartikel auf MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Researchers at MIT have made a significant breakthrough, utilizing the power of artificial intelligence to craft more efficient nanoparticles for delivering RNA-based vaccines and therapies. This leap forward could supercharge the development of treatments for a variety of conditions, spanning from infectious diseases to metabolic disorders such as diabetes and obesity. RNA vaccines, like the ones employed to combat COVID-19, depend on lipid nanoparticles (LNPs) to safely deliver genetic material into cells. Although these nanoparticles play an essential role in ensuring the RNA reaches its target unharmed, creating the most effective LNPs has traditionally been a slow, painstaking process. However, […]<\/p>\n","protected":false},"author":4,"featured_media":6789,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-6788","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6788","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=6788"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6788\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/6789"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=6788"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=6788"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=6788"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}