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

By training a machine-learning model on a collection of thousands of previously tried LNP formulations, they engineered a system capable of predicting new and more efficient combinations – a system they named COMET. Not just content with improving efficiency, the model can even suggest formulations that are tailored to specific cell types and include novel materials to boost performance.

The team developed COMET, the machine-learning model, taking inspiration from the same transformer architecture that drives large language models like ChatGPT. COMET’s task was to understand how different chemical ingredients in a nanoparticle interact, dictating how efficiently it can deliver RNA into cells. As Alvin Chan, a former MIT postdoc and co-lead author of this groundbreaking study, explains, “COMET learns how these components come together to affect delivery efficiency.”

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.

Having validated the model’s precision, the team undertook exploring more complex questions like whether the model could predict formulations that incorporate an additional fifth ingredient, such as branched poly beta amino esters (PBAEs). These polymers have shown promise in the delivery of nucleic acids on their own. In response, COMET was trained on an added set of around 300 LNPs containing PBAEs and successfully suggested new, more efficient combinations. This accomplishment again underscored the model’s versatility as it went on to predict LNPs optimized for specific cell types, including Caco-2 cells derived from colorectal cancer.

Another hurdle that the research team tackled was ensuring LNPs maintain stability during storage. COMET was used to predict which formulations could best withstand lyophilization – a freeze-drying technique used to prolong the shelf life of many medicines. The model identified stable candidates, demonstrating its utility in real-world applications.

Patrząc w przyszłość: Terapie metaboliczne oparte na RNA

The research forms part of a broader initiative, spearheaded by MIT and financially backed by the U.S. Advanced Research Projects Agency for Health (ARPA-H). The objective is to develop ingestible devices capable of administering RNA treatments orally, making them more accessible and easy to use. Giovanni Traverso, senior author of the study and associate professor of mechanical engineering at MIT, acknowledges that “Maximizing delivery efficiency is critical to producing enough therapeutic protein in the body.” He also applauds the fact “This AI-driven approach allows us to explore new formulations faster and more effectively than ever before.” Rising to the next challenge, the team is now incorporating these AI-designed nanoparticles into experimental treatments for obesity and diabetes.

This pioneering research was made possible through the generous funding from the GO Nano Marble Center at the Koch Institute, the Karl van Tassel Career Development Professorship, the MIT Department of Mechanical Engineering, Brigham and Women’s Hospital, and ARPA-H. Get more in-depth coverage of this innovation by reading the original article on MIT News.