Verwenden von KI zur Verbesserung des Designs von Nanopartikeln für RNA -Therapien

Mit künstlichen Intelligenz haben MIT -Forscher eine neue Möglichkeit, Nanopartikel zu entwerfen, die RNA -Impfstoffe und andere Arten von RNA -Therapien effizienter liefern können.

Nach dem Training eines maschinellen Lernmodells zur Analyse von Tausenden vorhandenen Lieferpartikeln benutzten die Forscher es, um neue Materialien vorherzusagen, die noch besser funktionieren würden. Das Modell ermöglichte es den Forschern auch, Partikel zu identifizieren, die in verschiedenen Zellenarten gut funktionieren, und Wege zu ermitteln, um neue Arten von Materialien in die Partikel einzubeziehen.

Wir haben maschinelle Lernwerkzeuge angewendet, um die Identifizierung optimaler Bestandteilmischungen in Lipidnanopartikeln zu beschleunigen, um einen anderen Zelltyp zu zielen oder verschiedene Materialien zu integrieren, die viel schneller als bisher möglich waren. „

Giovanni Traverso, außerordentlicher Professor für Maschinenbau am MIT, Gastroenterologe am Brigham and Women’s Hospital und leitender Autor der Studie

Dieser Ansatz könnte den Prozess der Entwicklung neuer RNA -Impfstoffe sowie Therapien, die zur Behandlung von Fettleibigkeit, Diabetes und anderen Stoffwechselstörungen verwendet werden könnten, dramatisch beschleunigen, so die Forscher.

Alvin Chan, ein ehemaliger MIT Postdoc, der jetzt Assistenzprofessor an der Nanyang Technological University ist, und Ameya Kirtane, ein ehemaliger MIT Postdoc, der jetzt Assistenzprofessor an der University of Minnesota ist, sind die Hauptautoren der neuen Studie, in der heute erscheint, in Natur Nanotechnology.

Partikelvorhersagen

RNA-Impfstoffe wie die Impfstoffe für SARS-COV-2 werden normalerweise zur Lieferung in Lipidnanopartikeln (LNPs) verpackt. Diese Partikel schützen mRNA vor dem Abbau im Körper und helfen ihm, nach Einmal in die Injektion von Zellen zu gelangen.

Die Schaffung von Partikeln, die diese Arbeitsplätze effizienter erledigen, kann Forschern helfen, noch effektivere Impfstoffe zu entwickeln. Bessere Lieferfahrzeuge können es auch erleichtern, mRNA -Therapien zu entwickeln, die Gene für Proteine ​​kodieren, die zur Behandlung einer Vielzahl von Krankheiten beitragen könnten.

Im Jahr 2024 startete das Labor von Traverso ein mehrjähriges Forschungsprogramm, das von der US Advanced Research Projects Agency for Health (ARPA-H) finanziert wurde, um neue Einnahmegeräte zu entwickeln, die eine orale Lieferung von RNA-Behandlungen und -impfstoffen erreichen könnten.

„Ein Teil dessen, was wir tun möchten, ist die Entwicklung von Möglichkeiten, um mehr Protein zu produzieren, beispielsweise für therapeutische Anwendungen. Maximierung der Effizienz ist wichtig, um zu steigern, wie viel wir die Zellen produzieren können“, sagt Traverso.

Ein typisches LNP besteht aus vier Komponenten – einem Cholesterinspiegel, einem Helferlipid, einem ionisierbaren Lipid und einem Lipid, das an Polyethylenglykol (PEG) gebunden ist. Verschiedene Varianten jeder dieser Komponenten können ausgetauscht werden, um eine große Anzahl möglicher Kombinationen zu erzeugen. Das Ändern dieser Formulierungen und das Testen jeder einzeln ist sehr zeitaufwändig, daher haben Traverso, Chan und ihre Kollegen beschlossen, sich der künstlichen Intelligenz zuzuwenden, um den Prozess zu beschleunigen.

„Die meisten KI -Modelle in der Arzneimittelentdeckung konzentrieren sich auf die Optimierung einer einzelnen Verbindung jeweils. Dieser Ansatz funktioniert jedoch nicht für Lipid -Nanopartikel, die aus mehreren interagierenden Komponenten bestehen“, sagt Chan. „Um dies anzugehen, haben wir ein neues Modell namens Comet entwickelt, das von derselben Transformatorarchitektur inspiriert ist, die Großsprachenmodelle wie Chatgpt macht. So wie diese Modelle verstehen, wie sich Wörter zu einer Bedeutung verbinden, erfährt Comet, wie unterschiedliche chemische Komponenten in einem Nanopartikel zusammenkommen, um seine Eigenschaften zu beeinflussen – wie das Wunsch in Zellen liefern kann.“

Um Schulungsdaten für ihr maschinelles Lernmodell zu generieren, erstellten die Forscher eine Bibliothek mit etwa 3.000 verschiedenen LNP-Formulierungen. Das Team testete jedes dieser 3.000 Partikel im Labor, um festzustellen, wie effizient sie ihre Nutzlast an Zellen liefern und dann alle diese Daten in ein maschinelles Lernmodell fütterten.

Nachdem das Modell geschult wurde, baten die Forscher es, neue Formulierungen vorherzusagen, die besser funktionieren als vorhandene LNPs. Sie testeten diese Vorhersagen, indem sie die neuen Formulierungen zur Bereitstellung von mRNA, die ein fluoreszierendes Protein für die in einer Laborschale gezüchteten Mauszellen kodiert, verwendet haben. Sie fanden heraus, dass die vom Modell vorhergesagten LNPs tatsächlich besser funktionierten als die Partikel in den Trainingsdaten und in einigen Fällen besser als LNP -Formulierungen, die kommerziell verwendet werden.

Beschleunigte Entwicklung

Sobald die Forscher zeigten, dass das Modell Partikel genau vorhersagen konnte, die mRNA effizient liefern würden, stellten sie zusätzliche Fragen. Zunächst fragten sie sich, ob sie das Modell auf Nanopartikeln trainieren könnten, das eine fünfte Komponente umfasst: eine Art Polymer, der als verzweigte Poly Beta -Aminoester (PBAEs) bekannt ist.

Untersuchungen von Traverso und seinen Kollegen haben gezeigt, dass diese Polymere nuklecksäuren effektiv selbst liefern können, sodass sie untersuchen wollten, ob das Hinzufügen zu LNPs die LNP -Leistung verbessern kann. Das MIT -Team erstellte einen Satz von etwa 300 LNPs, zu denen auch diese Polymere gehören, mit denen sie das Modell trainierten. Das resultierende Modell könnte dann zusätzliche Formulierungen mit PBAes vorhersagen, die besser funktionieren würden.

Als nächstes wollten die Forscher das Modell ausbilden, um Vorhersagen über LNPs zu treffen, die in verschiedenen Zellenarten am besten funktionieren würden, einschließlich einer Art von Zelle namens Caco-2, die aus Darmkrebszellen stammt. Auch hier konnte das Modell LNPs vorhersagen, die diese Zellen effizient mRNA liefern würden.

Schließlich verwendeten die Forscher das Modell, um vorherzusagen, welche LNPs Lyophilisierung am besten widerstehen könnten-ein Freeze-Trocknungs-Prozess, der häufig zur Erweiterung der Haltbarkeit von Arzneimitteln verwendet wird.

„Dies ist ein Tool, mit dem wir es an eine ganz andere Reihe von Fragen anpassen und die Entwicklung beschleunigen können. Wir haben ein großes Trainingssatz durchgeführt, das in das Modell eingegangen ist, aber Sie können dann viel fokussiertere Experimente durchführen und Outputs erhalten, die bei sehr unterschiedlichen Arten von Fragen hilfreich sind“, sagt Traverso.

Er und seine Kollegen arbeiten nun daran, einige dieser Partikel in potenzielle Behandlungen für Diabetes und Fettleibigkeit aufzunehmen, die zwei der Hauptziele des von ARPA-H finanzierten Projekts sind. Therapeutika, die mit diesem Ansatz geliefert werden könnten, umfassen GLP-1-Nachahmungen mit ähnlichen Auswirkungen wie Ozempic.

Diese Forschung wurde vom GO Nano Marble Center am Koch Institute, dem Karl Van Tassel Career Development Professurship, der MIT-Abteilung für Maschinenbau, Brigham and Women’s Hospital und ARPA-H finanziert.

Quellen: