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.
Dzięki wyszkoleniu modelu uczenia maszynowego na zbiorze tysięcy wcześniej wypróbowanych receptur LNP stworzyli system zdolny do przewidywania nowych i bardziej wydajnych kombinacji – system, który nazwali COMET. Model ten nie tylko poprawia wydajność, ale potrafi nawet sugerować receptury dostosowane do konkretnych typów komórek oraz zawierające nowatorskie materiały zwiększające wydajność.
Zespół opracował model uczenia maszynowego o nazwie COMET, czerpiąc inspirację z tej samej architektury transformatorowej, która stanowi podstawę dużych modeli językowych, takich jak ChatGPT. Zadaniem modelu COMET było zrozumienie, w jaki sposób różne składniki chemiczne w nanocząsteczce oddziałują na siebie, determinując skuteczność dostarczania RNA do komórek. Jak wyjaśnia Alvin Chan, były pracownik naukowy MIT i współautor tego przełomowego badania: “COMET uczy się, w jaki sposób te składniki współdziałają, wpływając na skuteczność dostarczania”.”
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 dokładności modelu zespół przystąpił do badania bardziej złożonych zagadnień, takich jak to, czy model jest w stanie przewidzieć receptury zawierające dodatkowy, piąty składnik, na przykład rozgałęzione polibeta-aminoestry (PBAE). Polimery te same w sobie wykazały obiecujące właściwości w zakresie dostarczania kwasów nukleinowych. W związku z tym model COMET został przeszkolony na dodatkowym zbiorze około 300 LNP zawierających PBAE i z powodzeniem zaproponował nowe, bardziej wydajne kombinacje. Osiągnięcie to ponownie podkreśliło wszechstronność modelu, który następnie przewidział LNP zoptymalizowane pod kątem konkretnych typów komórek, w tym komórek Caco-2 pochodzących z raka jelita grubego.
Kolejnym wyzwaniem, z którym zmierzył się zespół badawczy, było zapewnienie stabilności cząstek LNP podczas przechowywania. Wykorzystano model COMET do przewidzenia, które preparaty najlepiej wytrzymają liofilizację – technikę suszenia sublimacyjnego stosowaną w celu przedłużenia okresu przydatności wielu leków. Model zidentyfikował stabilne preparaty, wykazując tym samym swoją przydatność w praktycznych zastosowaniach.
Badania te stanowią część szerszej inicjatywy, której liderem jest MIT, a wsparcie finansowe zapewnia amerykańska Agencja Zaawansowanych Projektów Badawczych w dziedzinie Zdrowia (ARPA-H). Celem jest opracowanie urządzeń do spożycia, umożliwiających doustne podawanie terapii opartych na RNA, dzięki czemu będą one bardziej dostępne i łatwiejsze w użyciu. Giovanni Traverso, główny autor badania i profesor nadzwyczajny inżynierii mechanicznej na MIT, przyznaje, że “maksymalizacja skuteczności dostarczania ma kluczowe znaczenie dla wytworzenia wystarczającej ilości białka terapeutycznego w organizmie”. Wyraża również uznanie dla faktu, że “to podejście oparte na sztucznej inteligencji pozwala nam badać nowe preparaty szybciej i skuteczniej niż kiedykolwiek wcześniej”. Podejmując kolejne wyzwanie, zespół wykorzystuje obecnie te zaprojektowane przez sztuczną inteligencję nanocząsteczki w eksperymentalnych metodach leczenia otyłości i cukrzycy.
Te pionierskie badania były możliwe dzięki hojnemu wsparciu finansowemu ze strony Centrum GO Nano Marble przy Instytucie Kocha, programu stypendialnego im. Karla van Tassela na rzecz rozwoju kariery naukowej, Wydziału Inżynierii Mechanicznej MIT, szpitala Brigham and Women’s Hospital oraz agencji ARPA-H. Bardziej szczegółowe informacje na temat tej innowacji można znaleźć w oryginalnym artykule opublikowanym na stronie MIT News.
Ta strona używa plików cookie.