Наночастицы с ИИ-сенсорами открывают путь к домашнему скринингу рака

Раннее обнаружение рака может значительно снизить смертность, так как болезнь легче лечить на начальных стадиях. Чтобы достичь этой цели, исследователи из MIT и Microsoft используют искусственный интеллект для создания молекулярных сенсоров ранней диагностики.

Учёные разработали ИИ-модель для дизайна пептидов (коротких белков), на которые нацелены ферменты протеазы. Эти ферменты гиперактивны в раковых клетках. Наночастицы, покрытые такими пептидами, могут действовать как сенсоры, которые подают сигнал, если в организме присутствуют связанные с раком протеазы.

В зависимости от того, какие протеазы обнаружены, врачи смогут диагностировать конкретный тип рака. Эти сигналы можно будет обнаружить с помощью простого анализа мочи, который можно будет проводить даже дома.

Усиление сигналов рака

Более десяти лет назад в лаборатории профессора MIT Санджиты Бхатии возникла идея использовать активность протеаз в качестве маркера раннего рака. В человеческом геноме закодировано около 600 протеаз — ферментов, которые могут разрезать другие белки. Они часто гиперактивны в раковых клетках, помогая им "сбежать" из исходного местоположения, разрушая белки внеклеточного матрикса.

Идея исследователей заключалась в покрытии наночастиц пептидами, которые могут быть расщеплены определённой протеазой. Если частицы встречают связанные с раком протеазы, пептиды расщепляются, и продукты расщепления выводятся с мочой, где их можно обнаружить с помощью тест-полоски. Измерение этих сигналов выявляет гиперактивность протеаз в организме.

Ранее исследователи использовали метод проб и ошибок для идентификации пептидов, расщепляемых определёнными протеазами. Однако эти пептиды часто могли расщепляться более чем одной протеазой, что не позволяло однозначно определить источник сигнала.

ИИ-дизайн сенсоров

В новом исследовании учёные отошли от метода проб и ошибок, разработав новую ИИ-систему CleaveNet для проектирования пептидных последовательностей, которые могут эффективно и специфично расщепляться целевыми протеазами.

CleaveNet позволяет пользователям задавать критерии дизайна, а модель генерирует кандидатные пептиды, соответствующие этим критериям. Это позволяет настраивать эффективность и специфичность пептидов, что повышает диагностическую силу сенсоров.

Для пептида из 10 аминокислот существует около 10 триллионов возможных комбинаций. Использование ИИ для поиска в этом огромном пространстве позволяет предсказывать, тестировать и идентифицировать полезные последовательности гораздо быстрее, чем это могли бы сделать люди, а также значительно снизить экспериментальные затраты.

Предсказание активности ферментов

Для создания CleaveNet исследователи разработали языковую модель для белков, чтобы предсказывать аминокислотные последовательности пептидов, аналогично тому, как большие языковые модели предсказывают последовательности текста. Для обучения использовались общедоступные данные примерно о 20 000 пептидов и их взаимодействиях с различными протеазами из семейства матриксных металлопротеиназ (MMPs).

Чтобы продемонстрировать подход, исследователи сосредоточились на протеазе MMP13, которую раковые клетки используют для разрушения коллагена и метастазирования. Запрос к CleaveNet с MMP13 в качестве цели позволил моделям спроектировать пептиды, которые могли эффективно и селективно расщепляться MMP13.

"Когда мы настроили модель на генерацию последовательностей, которые были бы эффективны и селективны для MMP13, она предложила пептиды, никогда ранее не встречавшиеся в обучающих данных, и тем не менее эти новые последовательности оказались как эффективными, так и селективными", — говорит Кармен Мартин-Алонсо.

Применения и перспективы

Лаборатория Бхатии в настоящее время участвует в проекте по созданию репортёров для домашнего диагностического набора, который потенциально может обнаруживать и различать 30 различных типов рака на ранних стадиях на основе измерения активности протеаз. Эти сенсоры могут включать обнаружение не только MMP-опосредованного расщепления, но и других ферментов, таких как сериновые и цистеиновые протеазы.

Пептиды, разработанные с помощью CleaveNet, также могут быть включены в противораковые терапевтические средства, такие как лечение антителами. Использование специфичного пептида для присоединения терапевтического агента (например, цитокина или малой молекулы) к целевому антителу может позволить высвобождать лекарство только при воздействии протеаз в опухолевой среде, повышая эффективность и снижая побочные эффекты.

Помимо прямого применения в диагностике и терапии, объединение усилий в рамках этого проекта с данной модельной структурой может позволить создать всеобъемлющий "атлас активности протеаз", охватывающий несколько классов протеаз и типов рака. Такой ресурс может ускорить исследования в области раннего выявления рака, биологии протеаз и ИИ-моделей для дизайна пептидов.