Как ИИ может ускорить развитие РНК -вакцин и других РНК -терапии | MIT News

Используя искусственный интеллект, исследователи MIT придумали новый способ разработки наночастиц, которые могут более эффективно обеспечить РНК -вакцины и другие типы РНК -терапии.

После обучения модели машинного обучения для анализа тысяч существующих частиц доставки, исследователи использовали ее для прогнозирования новых материалов, которые будут работать еще лучше. Модель также позволила исследователям идентифицировать частицы, которые хорошо работают в различных типах ячеек, и обнаруживать способы включения новых типов материалов в частицы.

«То, что мы сделали, это применили инструменты машинного обучения, чтобы помочь ускорить идентификацию оптимальных смесей ингредиентов в наночастицах липидов, чтобы помочь нацелиться на другой тип клеток или помочь включить различные материалы, гораздо быстрее, чем раньше было возможным»,-говорит Джованни Траверсо, доцент-профессор машиностроения в MIT, гастроэнтеролога в Brigham и женском и старшем автору.

Этот подход может значительно ускорить процесс разработки новых вакцин РНК, а также методы лечения, которые могут быть использованы для лечения ожирения, диабета и других метаболических расстройств, говорят исследователи.

Элвин Чан, бывший постдок MIT, который в настоящее время является доцентом в Технологическом университете Наняна, и Амейя Киртане, бывшего постдока MIT, который в настоящее время является доцентом в Университете Миннесоты, являются ведущими авторами нового открытого исследования, которое исследование, которое исследование, которое исследование, которое исследования, которое является исследованием, которое Появляется сегодня в Природная нанотехнологияПолем

Прогнозы частиц

РНК-вакцины, такие как вакцины для SARS-COV-2, обычно упаковываются в липидные наночастицы (LNP) для доставки. Эти частицы защищают мРНК от разбивки в организме и помогают ему войти в клетки после введения.

Создание частиц, которые обрабатывают эти рабочие места более эффективно, может помочь исследователям разработать еще более эффективные вакцины. Лучшие транспортные средства доставки также могут облегчить разработку мРНК терапии, которая кодирует гены для белков, которые могут помочь лечить различные заболевания.

В 2024 году лаборатория Трэверсо запустила многолетнюю Исследовательская программафинансируемый Агентством по охране здравоохранения (ARPA-H) США (ARPA-H), для разработки новых пищевых устройств, которые могут достичь пероральной доставки РНК-лечения и вакцин.

«Часть того, что мы пытаемся сделать, – это разработка способов создания большего количества белка, например, для терапевтических применений. Максимизация эффективности важно, чтобы иметь возможность повысить, насколько мы можем получить клетки», – говорит Траверсо.

Типичный LNP состоит из четырех компонентов – холестерина, помощника липида, ионизируемого липида и липида, который прикреплен к полиэтиленгликолю (PEG). Различные варианты каждого из этих компонентов могут быть заменены для создания огромного количества возможных комбинаций. Изменение этих составов и тестирование каждого из них индивидуально занимает много времени, поэтому Traverso, Chan и их коллеги решили обратиться к искусственному интеллекту, чтобы помочь ускорить процесс.

«Большинство моделей искусственного интеллекта в обнаружении лекарств фокусируются на оптимизации одного соединения за раз, но этот подход не работает для наночастиц липидов, которые сделаны из нескольких взаимодействующих компонентов», – говорит Чан. «Чтобы справиться с этим, мы разработали новую модель под названием Comet, вдохновленная той же архитектурой трансформатора, которая питает большие языковые модели, такие как Chatgpt. Подобно тому, как эти модели понимают, как слова объединяются, чтобы сформировать смысл, Комета узнает, как различные химические компоненты объединяются в наночастице, чтобы влиять на его свойства – например, как хорошо он может доставлять РНК в клетки».

Чтобы создать учебные данные для своей модели машинного обучения, исследователи создали библиотеку из 3000 различных составов LNP. Команда проверила каждую из этих 3000 частиц в лаборатории, чтобы увидеть, насколько эффективно они могут доставить свою полезную нагрузку в ячейки, а затем подарили все эти данные в модель машинного обучения.

После того, как модель была обучена, исследователи попросили ее предсказать новые составы, которые будут работать лучше, чем существующие LNP. Они проверили эти прогнозы, используя новые составы для доставки мРНК, кодирующей флуоресцентный белок, к клеткам кожи мыши, выращенным в лабораторном блюде. Они обнаружили, что LNP, предсказанные моделью, действительно работали лучше, чем частицы в учебных данных, и в некоторых случаях лучше, чем составы LNP, которые используются в коммерческих целях.

Ускоренное развитие

После того, как исследователи показали, что модель может точно предсказать частицы, которые эффективно доставляют мРНК, они начали задавать дополнительные вопросы. Во -первых, они задавались вопросом, могут ли они тренировать модель на наночастицах, которые включают пятый компонент: тип полимера, известного как разветвленные аминоэфиры поли -бета (PBAE).

Исследования Траверсо и его коллег показали, что эти полимеры могут эффективно доставлять нуклеиновые кислоты самостоятельно, поэтому они хотели изучить, может ли их добавить в LNP повысить производительность LNP. Команда MIT создала набор из 300 LNP, которые также включают эти полимеры, которые они использовали для обучения модели. Полученная модель может затем предсказать дополнительные составы с PBAE, которые будут работать лучше.

Затем исследователи решили обучить модель, чтобы сделать прогнозы о LNP, которые лучше всего работают в различных типах клеток, включая тип клеток, называемую Caco-2, которая получена из клеток колоректального рака. Опять же, модель была способна предсказать LNP, которые эффективно доставляли бы мРНК в эти клетки.

Наконец, исследователи использовали модель, чтобы предсказать, какие LNP могут наилучшим образом противостоять лиофилизации-процесс сушки замораживания, часто используемый для расширения срока годности лекарств.

«Это инструмент, который позволяет нам адаптировать его к совершенному набору вопросов и помогает ускорить разработку. Мы сделали большой учебный набор, который вошел в модель, но тогда вы можете провести гораздо более целенаправленные эксперименты и получить результаты, которые полезны на очень разных вопросах», – говорит Траверсо.

Он и его коллеги в настоящее время работают над тем, чтобы включить некоторые из этих частиц в потенциальные обработки диабета и ожирения, которые являются двумя из основных целей проекта, финансируемого ARPA-H. Терапии, которые могут быть доставлены с использованием этого подхода, включают имитируют GLP-1 с аналогичными эффектами с Ozempic.

Это исследование было профинансировано Мраморным центром Go в Институте Кох, профессором развития карьеры Карла ван Тасселя, Департаментом машиностроения MIT, Brigham и Women’s Hospital и Arpa-H.