Исследователи из Массачусетского технологического института (MIT) разработали новый способ создания наночастиц, которые могут более эффективно доставлять РНК-вакцины и другие типы РНК-терапии.
Используя модель машинного обучения, они проанализировали тысячи существующих частиц-переносчиков и предсказали новые материалы, которые работают ещё лучше. Модель также позволила исследователям идентифицировать частицы, которые хорошо работают в разных типах клеток, и найти способы включения новых типов материалов в частицы.
«Мы применили инструменты машинного обучения, чтобы ускорить идентификацию оптимальных смесей ингредиентов в липидных наночастицах (ЛНП) для нацеливания на разные типы клеток или включения различных материалов, — говорит Джованни Траверсо, доцент кафедры машиностроения в MIT, гастроэнтеролог в больнице Brigham and Women’s Hospital и старший автор исследования. — Это стало возможным гораздо быстрее, чем раньше».
Этот подход может значительно ускорить процесс разработки новых РНК-вакцин, а также терапий, которые можно использовать для лечения ожирения, диабета и других метаболических расстройств, считают исследователи.
Алвин Чан, бывший научный сотрудник MIT, ныне доцент в Наньянском технологическом университете, и Амея Киртане, бывший научный сотрудник MIT, ныне доцент в Университете Миннесоты, являются ведущими авторами нового исследования, опубликованного в журнале Nature Nanotechnology.
Как работают РНК-вакцины
РНК-вакцины, такие как вакцины против SARS-CoV-2, обычно упаковываются в липидные наночастицы (ЛНП) для доставки. Эти частицы защищают мРНК от разрушения в организме и помогают ей проникать в клетки после инъекции.
Создание частиц, которые выполняют эти задачи более эффективно, может помочь исследователям разработать ещё более эффективные вакцины. Более совершенные средства доставки также могут упростить разработку мРНК-терапий, кодирующих гены для белков, которые могут помочь в лечении различных заболеваний.
Исследование и разработка
В 2024 году лаборатория Траверсо запустила многолетнюю исследовательскую программу по разработке новых пероральных устройств, которые могли бы обеспечить пероральную доставку РНК-лекарств и вакцин.
«Часть того, что мы пытаемся сделать, — это разработать способы производства большего количества белка, например, для терапевтического применения, — говорит Траверсо. — Максимизация эффективности важна для того, чтобы увеличить количество производимого клетками продукта».
Типичный ЛНП состоит из четырёх компонентов: холестерина, вспомогательного липида, ионизируемого липида и липида, связанного с полиэтиленгликолем (ПЭГ). Различные варианты каждого из этих компонентов могут быть заменены для создания огромного числа возможных комбинаций.
Изменение этих составов и тестирование каждого из них по отдельности занимает много времени, поэтому Траверсо, Чан и их коллеги решили обратиться к искусственному интеллекту, чтобы ускорить процесс.
«Большинство моделей искусственного интеллекта в области открытия лекарств фокусируются на оптимизации одного соединения за раз, но такой подход не работает для липидных наночастиц, которые состоят из множества взаимодействующих компонентов, — говорит Чан. — Чтобы решить эту задачу, мы разработали новую модель под названием COMET, вдохновлённую той же архитектурой трансформера, которая лежит в основе больших языковых моделей, таких как ChatGPT. Точно так же, как эти модели понимают, как слова объединяются для формирования смысла, COMET изучает, как различные химические компоненты объединяются в наночастице, чтобы влиять на её свойства, например, насколько хорошо она может доставлять РНК в клетки».
Для создания обучающих данных для своей модели машинного обучения исследователи создали библиотеку из примерно 3000 различных составов ЛНП. Команда протестировала каждую из этих 3000 частиц в лаборатории, чтобы увидеть, насколько эффективно они могут доставлять свою полезную нагрузку в клетки, а затем ввела все эти данные в модель машинного обучения.
После обучения модели исследователи попросили её предсказать новые составы, которые работали бы лучше, чем существующие ЛНП. Они проверили эти прогнозы, используя новые составы для доставки мРНК, кодирующей флуоресцентный белок, в клетки кожи мышей, выращенные в лабораторной посуде.
Они обнаружили, что ЛНП, предсказанные моделью, действительно работали лучше, чем частицы в обучающих данных, а в некоторых случаях — лучше, чем коммерческие составы ЛНП.
После того как исследователи показали, что модель может точно предсказывать частицы, которые эффективно доставляют мРНК, они начали задавать дополнительные вопросы. Сначала они задались вопросом, можно ли обучить модель на наночастицах, включающих пятый компонент: тип полимера, известного как разветвлённые поли-бета-аминоэфиры (ПБАЭ).
Исследования Траверсо и его коллег показали, что эти полимеры могут эффективно доставлять нуклеиновые кислоты самостоятельно, поэтому они хотели изучить, может ли добавление их в ЛНП улучшить производительность ЛНП. Команда из MIT создала набор из примерно 300 ЛНП, которые также включают эти полимеры, и использовала их для обучения модели. Полученная модель могла затем предсказывать дополнительные составы с ПБАЭ, которые работали бы лучше.
Затем исследователи попытались обучить модель делать прогнозы о ЛНП, которые лучше всего работали бы в разных типах клеток, включая тип клеток под названием Caco-2, который происходит из клеток колоректального рака. Опять же, модель смогла предсказать ЛНП, которые эффективно доставляли мРНК в эти клетки.
Наконец, исследователи использовали модель, чтобы предсказать, какие ЛНП могут лучше всего противостоять лиофилизации — процессу сублимационной сушки, часто используемому для продления срока годности лекарств.
«Это инструмент, который позволяет нам адаптировать его к целому ряду вопросов и ускорить разработку, — говорит Траверсо. — Мы провели большое обучение модели, но затем можно провести гораздо более целенаправленные эксперименты и получить результаты, полезные для самых разных вопросов».
Он и его коллеги сейчас работают над включением некоторых из этих частиц в потенциальные методы лечения диабета и ожирения, которые являются двумя основными целями проекта. Терапевтические средства, которые можно вводить с помощью этого подхода, включают имитаторы GLP-1 с эффектами, аналогичными эффектам Ozempic.