Новый подход к созданию наночастиц для доставки лекарств с помощью машинного обучения

Проблема: Эффективность низкомолекулярных лекарств часто снижается из-за фармакокинетики — процессов всасывания, распределения, метаболизма и выведения в организме. Наночастицы могут улучшить эти параметры, но их сложно производить, и они часто несут малую долю лекарства.

Решение: Исследователи MIT создали платформу для скрининга, которая сочетает машинное обучение с высокопроизводительным экспериментом, чтобы быстро находить пары молекул, способные к самосборке в наночастицы с высокой нагрузкой.

Методология исследования

• Начальный набор данных: Для обучения алгоритма использовали 16 самоагрегирующихся низкомолекулярных лекарств и 90 широкодоступных вспомогательных веществ (уже одобренных FDA), что потенциально ускоряет процесс одобрения новых наночастиц.
• Высокопроизводительный скрининг: С помощью роботизированных систем в High Throughput Sciences core протестировали все комбинации (384 образца за раз), а в Peterson (1957) Nanotechnology Materials Core Facility измерили размер частиц методом динамического светорассеяния.
• Обучение и масштабирование: Алгоритм, обученный на 1440 точках данных (с 94 идентифицированными наночастицами), проанализировал 2.1 миллиона возможных комбинаций из 788 лекарств и более 2600 вспомогательных веществ, выявив 38 464 потенциальных самоорганизующихся наночастицы.

Ключевой пример: наночастица против рака печени

Для дальнейшей валидации выбрали наночастицу из сорафениба (стандартное лечение рака печени) и глицирризина (добавка, известная как вкус лакрицы).

• In vitro: На культурах клеток рака печени человека наночастица работала вдвое эффективнее чистого сорафениба, так как больше лекарства попадало в клетки.
• In vivo (мышиные модели): Наночастица значительно сильнее снижала маркер прогрессирования рака печени и увеличивала выживаемость по сравнению с чистым сорафенибом или глицирризином.
• Таргетинг: Наночастица показала улучшенное нацеливание на печень по сравнению с пероральным сорафенибом или его инъекцией с токсичным растворителем кремофором.

Будущие перспективы и персонализация

Платформа открывает возможности для персонализированной доставки лекарств:

• Создание альтернативных составов для пациентов с аллергией на вспомогательные вещества.
• Учёт индивидуальных особенностей: всасывания лекарств, генетики, аллергий.
• Ускорение дизайна лекарств и наноносителей за счёт комбинации машинного обучения, быстрого скрининга и предсказания взаимодействий.

Текущая работа команды направлена не только на улучшение доставки, но и на создание лекарств для пациентов, которым стандартные формы не подходят, используя большие данные для решения проблем малых групп населения.