Menggunakan kecerdasan buatan, para peneliti MIT telah menghasilkan cara baru untuk merancang nanopartikel yang dapat lebih efisien memberikan vaksin RNA dan jenis terapi RNA lainnya.
Setelah melatih model pembelajaran mesin untuk menganalisis ribuan partikel pengiriman yang ada, para peneliti menggunakannya untuk memprediksi bahan baru yang akan bekerja lebih baik. Model ini juga memungkinkan para peneliti untuk mengidentifikasi partikel yang akan bekerja dengan baik dalam berbagai jenis sel, dan untuk menemukan cara untuk memasukkan jenis bahan baru ke dalam partikel.
“Apa yang kami lakukan adalah menerapkan alat belajar mesin untuk membantu mempercepat identifikasi campuran bahan optimal dalam nanopartikel lipid untuk membantu menargetkan jenis sel yang berbeda atau membantu menggabungkan bahan yang berbeda, jauh lebih cepat dari yang sebelumnya mungkin,” kata Giovanni Traverso, seorang associate profesor rumah sakit di rumah sakit di MIT, seorang ahli gastroenter di Brigham, dan seorang ahli gastroenter di Brigham, dan ahli gastroenter di Brigham, dan ahli gastroenter.
Pendekatan ini dapat secara dramatis mempercepat proses pengembangan vaksin RNA baru, serta terapi yang dapat digunakan untuk mengobati obesitas, diabetes, dan gangguan metabolisme lainnya, kata para peneliti.
Alvin Chan, mantan MIT Postdoc yang sekarang menjadi asisten profesor di Nanyang Technological University, dan Ameya Kirtane, mantan MIT Postdoc yang sekarang menjadi asisten profesor di University of Minnesota, adalah penulis utama studi akses terbuka baru, yang muncul hari ini di hari ini Nanoteknologi Alam.
Prediksi partikel
Vaksin RNA, seperti vaksin untuk SARS-COV-2, biasanya dikemas dalam nanopartikel lipid (LNP) untuk pengiriman. Partikel -partikel ini melindungi mRNA dari dipecah dalam tubuh dan membantunya memasuki sel yang pernah disuntikkan.
Membuat partikel yang menangani pekerjaan ini lebih efisien dapat membantu para peneliti untuk mengembangkan vaksin yang lebih efektif. Kendaraan pengiriman yang lebih baik juga dapat memudahkan untuk mengembangkan terapi mRNA yang mengkodekan gen untuk protein yang dapat membantu mengobati berbagai penyakit.
Pada tahun 2024, Lab Traverso meluncurkan program penelitian multiyear, yang didanai oleh Badan Penelitian Lanjutan AS untuk Kesehatan (ARPA-H), untuk mengembangkan perangkat baru yang dapat dicerna yang dapat mencapai pengiriman oral perawatan dan vaksin RNA.
“Bagian dari apa yang kami coba lakukan adalah mengembangkan cara memproduksi lebih banyak protein, misalnya, untuk aplikasi terapeutik. Memaksimalkan efisiensi penting untuk dapat meningkatkan seberapa banyak yang dapat kami hasilkan sel,” kata Traverso.
LNP khas terdiri dari empat komponen – kolesterol, lipid pembantu, lipid terionisasi, dan lipid yang melekat pada polietilen glikol (PEG). Varian yang berbeda dari masing -masing komponen ini dapat ditukar untuk membuat sejumlah besar kombinasi yang mungkin. Mengubah formulasi ini dan menguji masing-masing secara individual sangat memakan waktu, jadi Traverso, Chan, dan rekan-rekan mereka memutuskan untuk beralih ke kecerdasan buatan untuk membantu mempercepat proses.
“Sebagian besar model AI dalam penemuan obat fokus pada mengoptimalkan senyawa tunggal pada satu waktu, tetapi pendekatan itu tidak berfungsi untuk nanopartikel lipid, yang terbuat dari beberapa komponen yang berinteraksi,” kata Chan. “Untuk mengatasi hal ini, kami mengembangkan model baru yang disebut Comet, terinspirasi oleh arsitektur transformator yang sama yang memberi kekuatan pada model bahasa besar seperti chatgpt. Sama seperti model yang memahami bagaimana kata -kata bergabung untuk membentuk makna, Comet mempelajari bagaimana komponen kimia yang berbeda berkumpul dalam nanopartikel untuk mempengaruhi sifat -sifatnya – seperti seberapa baik ia dapat mengirimkan RNA ke dalam sel.
Untuk menghasilkan data pelatihan untuk model pembelajaran mesin mereka, para peneliti membuat perpustakaan sekitar 3.000 formulasi LNP yang berbeda. Tim menguji masing-masing 3.000 partikel ini di lab untuk melihat seberapa efisien mereka dapat mengirimkan muatan mereka ke sel, kemudian memasukkan semua data ini ke dalam model pembelajaran mesin.
Setelah model dilatih, para peneliti memintanya untuk memprediksi formulasi baru yang akan bekerja lebih baik daripada LNP yang ada. Mereka menguji prediksi tersebut dengan menggunakan formulasi baru untuk memberikan mRNA yang mengkode protein fluorescent untuk tikus sel kulit yang ditanam dalam piringan laboratorium. Mereka menemukan bahwa LNP yang diprediksi oleh model memang bekerja lebih baik daripada partikel dalam data pelatihan, dan dalam beberapa kasus lebih baik daripada formulasi LNP yang digunakan secara komersial.
Pengembangan yang dipercepat
Setelah para peneliti menunjukkan bahwa model tersebut dapat secara akurat memprediksi partikel yang secara efisien akan memberikan mRNA, mereka mulai mengajukan pertanyaan tambahan. Pertama, mereka bertanya -tanya apakah mereka dapat melatih model pada nanopartikel yang menggabungkan komponen kelima: jenis polimer yang dikenal sebagai ester amino beta poli bercabang (PBAE).
Penelitian oleh Traverso dan rekan -rekannya telah menunjukkan bahwa polimer ini dapat secara efektif menghasilkan asam nukleat sendiri, sehingga mereka ingin mengeksplorasi apakah menambahkannya ke LNP dapat meningkatkan kinerja LNP. Tim MIT menciptakan satu set sekitar 300 LNP yang juga mencakup polimer ini, yang mereka gunakan untuk melatih model. Model yang dihasilkan kemudian dapat memprediksi formulasi tambahan dengan PBAE yang akan bekerja lebih baik.
Selanjutnya, para peneliti berangkat untuk melatih model untuk membuat prediksi tentang LNP yang akan bekerja paling baik di berbagai jenis sel, termasuk jenis sel yang disebut Caco-2, yang berasal dari sel kanker kolorektal. Sekali lagi, model ini dapat memprediksi LNP yang secara efisien mengirimkan mRNA ke sel -sel ini.
Terakhir, para peneliti menggunakan model untuk memprediksi LNP mana yang paling tahan menahan lyophilisasi-proses pengeringan beku yang sering digunakan untuk memperpanjang kehidupan rak obat-obatan.
“Ini adalah alat yang memungkinkan kami untuk menyesuaikannya dengan serangkaian pertanyaan yang berbeda dan membantu mempercepat pengembangan. Kami melakukan satu set pelatihan besar yang masuk ke model, tetapi kemudian Anda dapat melakukan eksperimen yang lebih fokus dan mendapatkan output yang membantu pada jenis pertanyaan yang sangat berbeda,” kata Traverso.
Dia dan rekan-rekannya sekarang berupaya menggabungkan beberapa partikel ini ke dalam perawatan potensial untuk diabetes dan obesitas, yang merupakan dua target utama dari proyek yang didanai ARPA-H. Terapi yang dapat disampaikan menggunakan pendekatan ini termasuk GLP-1 meniru dengan efek yang sama dengan Ozempic.
Penelitian ini didanai oleh GO Nano Marble Center di Koch Institute, Profesor Pengembangan Karir Karl Van Tassel, Departemen Teknik Mesin MIT, Rumah Sakit Brigham dan Wanita, dan ARPA-H.
