Учёные из Университета Дьюка разработали платформу, которая объединяет автоматизированные лабораторные методы с искусственным интеллектом (ИИ) для создания наночастиц, улучшающих доставку лекарств. Этот подход может помочь исследователям более эффективно и результативно доставлять лекарственные препараты, которые трудно инкапсулировать.
Доказательство концепции
Команда использовала платформу для создания наночастиц, способных доставлять терапию при лейкемии, которая трудно поддаётся инкапсуляции, и оптимизировала дизайн второй противоопухолевой наночастицы. Исследование [опубликовано](https://pubs.acs.org/doi/10.1021/acsnano.5c09066) в журнале ACS Nano.
Инструменты на основе ИИ изменили ландшафт разработки лекарств, позволив исследователям лучше прогнозировать биологические, химические и физические свойства потенциальных терапевтических молекул. Хотя этот подход оказался достаточно успешным для выявления кандидатов в лекарства, которые в настоящее время проходят клинические испытания, большинство таких платформ сосредоточены только на ранних стадиях открытия лекарств.
Оптимизация доставки лекарств
Однако найти подходящую молекулу — это только половина дела, поскольку новое лекарство всё равно необходимо доставить в нужное место. Использование ИИ на этих поздних стадиях разработки лекарств, которое могло бы помочь исследователям оптимизировать безопасность рецептур и механизмы доставки, всё ещё относительно не изучено.
«Когда вы создаёте наночастицу, её эффективность зависит не только от рецепта, но и от количества различных ингредиентов, включая как активное лекарство, так и неактивные материалы», — сказал Зилу Чжан, доктор философии в лаборатории Даниэля Рекера, доцента БМЭ. «Существующие платформы ИИ могут работать только с одним или другим, что ограничивает их общую эффективность».
Исследователи разработали несколько моделей машинного обучения для ускорения проектирования наночастиц путём улучшения процесса выбора материалов. Эти системы обучаются на больших наборах данных с фиксированными соотношениями материалов, но такая жёсткость также мешает алгоритмам изучить, как различные соотношения материалов могут сделать эти системы доставки более эффективными.
«ИИ может помочь нам определить перспективные молекулы для доставки, но если вы не смешаете их с лекарством в определённом соотношении, они не сформируют стабильную наночастицу», — сказал Рекер. «Если мы сможем определить оптимальные соотношения смесей, то сможем формировать частицы и поддерживать их стабильность».
Помимо невозможности учитывать как ингредиенты, так и их количества, современные подходы сталкиваются и с другими проблемами. Более сложные платформы ИИ хорошо справляются с определением свойств и эффективных соотношений, но для эффективного обучения им требуются массивные наборы данных. А более простые подходы могут использовать меньшие наборы данных, но им сложно различать похожие материалы.
Платформа TuNa-AI
Рекер и Чжан надеются решить эти проблемы с помощью своей новой платформы Tunable Nanoparticle, управляемой ИИ, под названием TuNa-AI. Используя автоматизированную платформу для работы с жидкостями, команда создала набор данных из 1 275 различных рецептур, состоящих из различных терапевтических молекул и вспомогательных веществ, которые представляют собой неактивные вещества, такие как красители, консерванты и другие молекулы, улучшающие физические свойства и абсорбцию лекарств.
«Используя робототехнику, мы смогли систематически комбинировать множество различных ингредиентов по разным рецептам», — сказал Чжан. «Наша модель ИИ затем смогла изучить эти данные о том, как различные материалы работают в разных условиях, и экстраполировать эти знания для выбора оптимизированной наночастицы».
Команда обнаружила, что их модель TuNa-AI привела к увеличению на 42,9% успешных случаев формирования наночастиц по сравнению со стандартными подходами. В качестве доказательства концепции они показали, что их платформа может успешно создать наночастицу, которая более эффективно инкапсулирует венетоклакс, химиотерапию, используемую для лечения лейкемии. Наночастицы венетоклакса показали улучшенную растворимость и смогли более эффективно остановить рост клеток лейкемии в лаборатории по сравнению с одним только неинкапсулированным лекарством.
В другом случае их платформа, управляемая ИИ, также позволила сократить использование потенциально канцерогенного вспомогательного вещества на 75% в рецептуре второго химиотерапевтического препарата, сохранив при этом эффективность препарата и улучшив его биораспределение на мышиных моделях.
«Мы показали, что TuNa-AI можно использовать не только для идентификации новых наночастиц, но и для оптимизации существующих материалов, чтобы сделать их более безопасными», — сказал Чжан.
Помимо расширения своей платформы для обработки других типов биоматериалов для различных терапевтических и диагностических применений, команда также активно сотрудничает с исследователями и врачами как внутри, так и за пределами Дьюка, чтобы использовать эту платформу для улучшения доставки лекарств при трудно поддающихся лечению заболеваниях.
«Эта платформа — большой основополагающий шаг для проектирования и оптимизации наночастиц для терапевтического применения», — сказал Рекер. «Теперь мы с нетерпением ждём возможности лечить болезни, делая существующие и новые методы лечения более эффективными и безопасными».
Предоставлено Университетом Дьюка.