ИИ-модель предсказывает лучшие наночастицы для эффективной доставки РНК-вакцин

Исследователи MIT использовали искусственный интеллект для разработки нового способа создания наночастиц, которые могут более эффективно доставлять РНК-вакцины и другие виды РНК-терапий.

Обучив модель машинного обучения анализу тысяч существующих частиц для доставки, исследователи использовали её для предсказания новых, более эффективных материалов. Модель также позволила определить частицы, которые будут хорошо работать в разных типах клеток, и найти способы включения новых типов материалов в частицы.

"Мы применили инструменты машинного обучения, чтобы ускорить поиск оптимальных смесей компонентов в липидных наночастицах (LNP) для таргетинга разных типов клеток или включения разных материалов — гораздо быстрее, чем это было возможно раньше", — говорит Джованни Траверсо, старший автор исследования.

Этот подход может значительно ускорить разработку новых РНК-вакцин, а также терапий для лечения ожирения, диабета и других метаболических расстройств.

Предсказания частиц

РНК-вакцины, такие как вакцины против SARS-CoV-2, обычно упаковываются в липидные наночастицы (LNP) для доставки. Эти частицы защищают мРНК от разрушения в организме и помогают ей проникнуть в клетки после инъекции.

Типичная LNP состоит из четырёх компонентов: холестерина, вспомогательного липида, ионизируемого липида и липида, присоединённого к полиэтиленгликолю (PEG). Создание частиц, которые выполняют эти задачи эффективнее, может помочь в разработке более действенных вакцин и мРНК-терапий.

"Большинство ИИ-моделей в открытии лекарств фокусируются на оптимизации одного соединения за раз, но этот подход не работает для липидных наночастиц, которые состоят из нескольких взаимодействующих компонентов", — говорит ведущий автор Элвин Чан.

Чтобы решить эту проблему, исследователи разработали новую модель COMET, вдохновлённую архитектурой трансформеров, как в больших языковых моделях вроде ChatGPT. Модель учится тому, как разные химические компоненты объединяются в наночастице и влияют на её свойства, например, на эффективность доставки РНК в клетки.

Для обучения модели исследователи создали библиотеку из около 3000 различных формул LNP. Каждая из этих частиц была протестирована в лаборатории на эффективность доставки груза в клетки, и все данные были загружены в модель машинного обучения.

После обучения модель попросили предсказать новые формулы, которые будут работать лучше существующих LNP. Предсказания проверили, используя новые формулы для доставки мРНК, кодирующей флуоресцентный белок, в клетки кожи мыши в лабораторной чашке.

Оказалось, что LNP, предсказанные моделью, действительно работали лучше частиц из обучающих данных, а в некоторых случаях — лучше, чем коммерчески используемые формулы LNP.

Ускоренная разработка

Исследователи также задали модели дополнительные вопросы:

1. Можно ли обучить её на наночастицах, включающих пятый компонент — полимер разветвлённые поли-бета-аминоэфиры (PBAE)? Модель смогла предсказать эффективные формулы LNP с PBAE.
2. Может ли модель предсказывать LNP, которые будут лучше всего работать в разных типах клеток, включая клетки Caco-2 (производные от клеток колоректального рака)? Модель успешно справилась с этой задачей.
3. Какие LNP лучше всего перенесут лиофилизацию (процесс сублимационной сушки для увеличения срока годности лекарств)? Модель дала соответствующие предсказания.

"Это инструмент, который позволяет адаптировать его к совершенно разным вопросам и ускорить разработку", — отмечает Траверсо.

Сейчас исследователи работают над включением некоторых из этих частиц в потенциальные методы лечения диабета и ожирения, включая миметики GLP-1 с эффектами, подобными Ozempic.