Jak sztuczna inteligencja może przyspieszyć rozwój szczepionek RNA i innych terapii RNA

Naukowcy z MIT dokonali znaczącego przełomu, wykorzystując moc sztucznej inteligencji do tworzenia bardziej wydajnych nanocząsteczek do dostarczania szczepionek i terapii opartych na RNA. Ten skok naprzód może przyspieszyć rozwój metod leczenia różnych schorzeń, od chorób zakaźnych po zaburzenia metaboliczne, takie jak cukrzyca i otyłość.

Szczepionki RNA, takie jak te stosowane w walce z COVID-19, zależą od nanocząstek lipidowych (LNP) w celu bezpiecznego dostarczania materiału genetycznego do komórek. Chociaż nanocząsteczki te odgrywają istotną rolę w zapewnieniu, że RNA dotrze do celu bez uszkodzeń, tworzenie najskuteczniejszych LNP tradycyjnie było powolnym, żmudnym procesem. Jednak zespół MIT, w innowacyjnym posunięciu, ominął to wąskie gardło przy użyciu sztucznej inteligencji.

Rewolucyjne podejście do sztucznej inteligencji

Trenując model uczenia maszynowego na zbiorze tysięcy wcześniej wypróbowanych formuł LNP, stworzyli system zdolny do przewidywania nowych i bardziej wydajnych kombinacji - system, który nazwali COMET. Model ten nie ogranicza się tylko do poprawy wydajności, ale może nawet sugerować formuły dostosowane do określonych typów komórek i zawierające nowe materiały w celu zwiększenia wydajności.

Zespół opracował COMET, model uczenia maszynowego, czerpiąc inspirację z tej samej architektury transformatora, która napędza duże modele językowe, takie jak ChatGPT. Zadaniem COMET było zrozumienie, w jaki sposób różne składniki chemiczne w nanocząsteczce oddziałują na siebie, dyktując, jak skutecznie może ona dostarczać RNA do komórek. Jak wyjaśnia Alvin Chan, były postdoc MIT i współautor tego przełomowego badania, "COMET uczy się, w jaki sposób te składniki łączą się, aby wpływać na skuteczność dostarczania".

Moc i potencjał systemu COMET

Do szkolenia COMET wykorzystano około 3000 preparatów LNP. Każda z nich została metodycznie przetestowana w laboratorium, aby ocenić jej skuteczność w dostarczaniu mRNA do komórek, umożliwiając modelowi rozpoznanie wzorców i przewidywanie bardziej skutecznych formuł. Po przetestowaniu w wyhodowanych w laboratorium komórkach skóry myszy, przewidywane przez sztuczną inteligencję LNP wykazały imponujące wyniki, przewyższając wiele istniejących opcji, w tym niektóre obecnie używane komercyjnie, co stanowi znaczący moment w wykorzystaniu sztucznej inteligencji do przyspieszenia badań biomedycznych.

Po zweryfikowaniu precyzji modelu, zespół podjął się zbadania bardziej złożonych kwestii, takich jak to, czy model może przewidywać preparaty zawierające dodatkowy piąty składnik, taki jak rozgałęzione poli-beta-aminoestry (PBAE). Polimery te okazały się obiecujące w samodzielnym dostarczaniu kwasów nukleinowych. W odpowiedzi COMET został przeszkolony na dodatkowym zestawie około 300 LNP zawierających PBAE i z powodzeniem zasugerował nowe, bardziej wydajne kombinacje. Osiągnięcie to ponownie podkreśliło wszechstronność modelu, który zaczął przewidywać LNP zoptymalizowane pod kątem określonych typów komórek, w tym komórek Caco-2 pochodzących z raka jelita grubego.

Kolejną przeszkodą, z którą zmierzył się zespół badawczy, było zapewnienie stabilności LNP podczas przechowywania. COMET został wykorzystany do przewidywania, które preparaty mogą najlepiej wytrzymać liofilizację - technikę liofilizacji stosowaną w celu przedłużenia okresu trwałości wielu leków. Model zidentyfikował stabilnych kandydatów, demonstrując swoją użyteczność w rzeczywistych zastosowaniach.

Patrząc w przyszłość: Terapie metaboliczne oparte na RNA

Badania stanowią część szerszej inicjatywy, prowadzonej przez MIT i wspieranej finansowo przez amerykańską Agencję Zaawansowanych Projektów Badawczych w dziedzinie Zdrowia (ARPA-H). Celem jest opracowanie połykalnych urządzeń zdolnych do doustnego podawania terapii RNA, dzięki czemu będą one bardziej dostępne i łatwe w użyciu. Giovanni Traverso, starszy autor badania i profesor nadzwyczajny inżynierii mechanicznej na MIT, przyznaje, że "maksymalizacja wydajności dostarczania ma kluczowe znaczenie dla wytworzenia wystarczającej ilości białka terapeutycznego w organizmie". Pochwala również fakt, że "to podejście oparte na sztucznej inteligencji pozwala nam badać nowe formuły szybciej i skuteczniej niż kiedykolwiek wcześniej". Podejmując kolejne wyzwanie, zespół włącza teraz te zaprojektowane przez AI nanocząsteczki do eksperymentalnych metod leczenia otyłości i cukrzycy.

Te pionierskie badania były możliwe dzięki hojnemu finansowaniu przez GO Nano Marble Center w Koch Institute, Karl van Tassel Career Development Professorship, MIT Department of Mechanical Engineering, Brigham and Women's Hospital oraz ARPA-H. Więcej informacji na temat tej innowacji można znaleźć w oryginalnym artykule na stronie MIT News.