Исследователи из Массачусетского технологического института (MIT) разработали новый способ создания наночастиц, которые могут более эффективно доставлять РНК-вакцины и другие виды РНК-терапии.
Используя искусственный интеллект, они обучили модель машинного обучения анализировать тысячи существующих частиц-носителей. Затем модель использовали для прогнозирования новых материалов, которые работают ещё лучше.
«Мы применили инструменты машинного обучения, чтобы ускорить идентификацию оптимальных смесей ингредиентов в липидных наночастицах (ЛНЧ) для нацеливания на различные типы клеток или включения новых материалов, что гораздо быстрее, чем это было возможно ранее», — говорит Джованни Траверсо, доцент кафедры машиностроения в MIT, гастроэнтеролог в больнице Brigham and Women’s Hospital и старший автор исследования.
Прогнозирование частиц
РНК-вакцины, такие как вакцины против SARS-CoV-2, обычно упаковываются в липидные наночастицы (ЛНЧ) 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 упростят разработку мРНК-терапий, кодирующих гены для белков, которые могут помочь в лечении различных заболеваний.
В 2024 году лаборатория Траверсо запустила многолетнюю исследовательскую программу, финансируемую Управлением перспективных исследовательских проектов в области здравоохранения США (ARPA-H), по разработке новых пероральных устройств, которые могли бы обеспечить пероральную доставку РНК-препаратов и вакцин.
«Часть того, что мы пытаемся сделать, — это разработать способы производства большего количества белка, например, для терапевтического применения. Максимизация эффективности важна для увеличения количества производимого клетками белка», — говорит Траверсо.
Типичная ЛНЧ 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 количества возможных комбинаций.
Чтобы ускорить процесс, Траверсо, Чан и их коллеги решили обратиться к искусственному интеллекту. Они создали библиотеку из примерно 3000 различных составов ЛНЧ. 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 спрогнозировать новые составы, которые работали бы лучше, чем существующие ЛНЧ. Они проверили эти прогнозы, используя новые составы для доставки мРНК, кодирующей флуоресцентный белок, в клетки кожи мышей, выращенные в лабораторной посуде. Они обнаружили, что ЛНЧ, предсказанные моделью, действительно работали лучше, чем частицы в обучающих данных, а в некоторых случаях — лучше, чем коммерческие составы ЛНЧ.
Ускоренная разработка
После того как исследователи показали, что модель может точно прогнозировать 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 (PBAE).
Исследования Траверсо и его коллег показали, что эти полимеры могут эффективно доставлять нуклеиновые кислоты самостоятельно, поэтому они захотели изучить, может ли добавление их в ЛНЧ улучшить характеристики ЛНЧ.
Команда создала набор из примерно 300 ЛНЧ, которые также включают эти полимеры, и использовала их для обучения модели. Полученная модель смогла спрогнозировать дополнительные составы с PBAE, которые работали бы лучше.
Затем исследователи попытались обучить модель делать прогнозы о ЛНЧ, которые лучше всего работали бы в различных типах клеток, включая тип клеток под названием Caco-2, который получен из клеток колоректального рака. Опять же, модель смогла спрогнозировать ЛНЧ, которые эффективно доставляли мРНК в эти клетки.
Наконец, исследователи использовали модель для прогнозирования того, какие ЛНЧ могли бы лучше всего противостоять лиофилизации — процессу сублимационной сушки, который часто используется для продления срока годности лекарств.
«Это инструмент, который позволяет нам адаптировать его к целому ряду вопросов и ускорить разработку. Мы провели обширное обучение модели, но затем можно провести гораздо более целенаправленные эксперименты и получить результаты, полезные для решения самых разных вопросов», — говорит Траверсо.
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, финансируемого ARPA-H. Терапевтические средства, которые могут быть доставлены с помощью этого подхода, включают имитаторы GLP-1 с эффектами, аналогичными эффектам Ozempic.
Это исследование финансировалось Центром GO Nano Marble в Институте Коха, кафедрой карьерного роста Карла ван Тасселя, кафедрой машиностроения MIT, больницей Brigham and Women’s Hospital и ARPA-H.
1. Какие методы и инструменты искусственного интеллекта используются для ускорения разработки РНК-вакцин и других РНК-терапий?
В статье описывается использование модели машинного обучения для анализа тысяч существующих частиц-носителей и прогнозирования новых материалов, которые работают лучше.
2. Какие компоненты входят в состав типичной липидной наночастицы (ЛНЧ) и как их вариации могут влиять на эффективность доставки РНК?
Типичная ЛНЧ 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 количества возможных комбинаций.
3. Какие результаты были получены после тестирования предсказанных моделью ЛНЧ?
Исследователи обнаружили, что ЛНЧ, предсказанные моделью, действительно работали лучше, чем частицы в обучающих данных, а в некоторых случаях — лучше, чем коммерческие составы ЛНЧ.
4. Какие дополнительные вопросы были заданы исследователями после того, как они показали, что модель может точно прогнозировать частицы, которые эффективно доставляют мРНК?
Сначала они задались вопросом, можно ли обучить модель на наночастицах, включающих пятый компонент: тип полимера, известного как разветвлённые поли-бета-аминоэфиры (PBAE). Затем они попытались обучить модель делать прогнозы о ЛНЧ, которые лучше всего работали бы в различных типах клеток, включая тип клеток под названием Caco-2, который получен из клеток колоректального рака. Наконец, они использовали модель для прогнозирования того, какие ЛНЧ могли бы лучше всего противостоять лиофилизации.
5. Какие цели проекта, финансируемого ARPA-H, включают исследователи в своей работе?
Исследователи работают над включением некоторых из этих частиц в потенциальные методы лечения диабета и ожирения.