Los investigadores del MIT han desarrollado un nuevo método para usar inteligencia artificial para diseñar nanopartículas que puedan proporcionar vacunas de ARN más eficientes y otros tipos de terapias de ARN.
Después de capacitar a los modelos de aprendizaje automático para analizar miles de partículas de entrega existentes, los investigadores lo usaron para predecir nuevos materiales que funcionarían aún mejor en la terapia de ARN.
Los investigadores también pudieron identificar partículas que funcionan bien en diferentes tipos de células y descubrir formas de incorporar nuevos tipos de material en las partículas.
Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y autor principal del estudio, explicó: «Podemos aplicar herramientas de aprendizaje automático para promover la identificación de mezclas óptimas de componentes de nanopartículas lipídicas para ayudar a los diferentes tipos de células y ser mucho más rápidos que antes».
El enfoque podría acelerar dramáticamente el proceso de desarrollo de nuevas vacunas y terapias de ARN que se pueden usar para tratar la obesidad, la diabetes y otros trastornos metabólicos, dicen los investigadores.
Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y autor principal del estudio, explicó:
Mejores partículas funcionales para vacunas de ARN efectivas
Las vacunas de ARN, como la vacuna SARS-CoV-2, generalmente se empaquetan en nanopartículas lipídicas (LNP) para su entrega. Estas partículas evitan que el ARNm se degrade en el cuerpo y ayudan a ingresar a las células después de que se inyecte.
Crear partículas que manejen estos trabajos de manera más eficiente pueden ayudar a los investigadores a desarrollar vacunas más efectivas. Además, los mejores vehículos de suministro pueden facilitar el desarrollo de terapias de ARNm que codifican genes para proteínas que pueden ser útiles en el tratamiento de una variedad de enfermedades.
«Estamos buscando desarrollar formas de producir más proteínas para aplicaciones terapéuticas, por ejemplo. La maximización de la eficiencia es importante para aumentar la cantidad de células que se pueden producir», comentó Traverso.
AI acelera la creación de la formulación
Los LNP típicos se componen de cuatro componentes: colesterol, lípidos auxiliares, lípidos ionizables y lípidos unidos al poliecenglicol (PEG). Se pueden intercambiar varias variaciones de cada uno de estos componentes para crear una gran cantidad de combinaciones posibles.
Sin embargo, cambiar estas formulaciones y probar cada uno individualmente lleva mucho tiempo, por lo que los investigadores recurrieron a la IA para acelerar el proceso.
Alvin Chan, el autor principal del estudio, dijo: «La mayoría de los modelos de AI de descubrimiento de fármacos se centran en optimizar un solo compuesto a la vez, pero ese enfoque no funciona con nanopartículas lipídicas hechas con múltiples componentes de interacción.
«Para abordar esto, desarrollamos un nuevo modelo llamado Comet, inspirado en la misma trans-arquitectura que ejecuta modelos de idiomas grandes como ChatGPT.
«Comet aprende cómo los diferentes componentes químicos se unen a las nanopartículas y qué tan bien pueden entregar ARN a las células y qué tan bien pueden influir en sus propiedades».
Prueba de varias formulaciones LNP
Para generar datos de capacitación para modelos de aprendizaje automático, los investigadores crearon una biblioteca de aproximadamente 3.000 formulaciones LNP diferentes. Cada una de estas 3.000 partículas se probó en el laboratorio para ver cuán eficientemente se podría entregar la carga útil a la celda y alimentarla a un modelo de aprendizaje automático.
Después de que el modelo fue entrenado, los investigadores pidieron predecir nuevas formulaciones que funcionarían mejor que los LNP existentes. Probaron estas predicciones mediante el uso de una nueva formulación para suministrar proteínas fluorescentes de ARNm a las células de la piel de ratón cultivadas en platos de laboratorio.
Descubrieron que el LNP predicho por el modelo es superior a las partículas en los datos de entrenamiento. En algunos casos, es superior a las formulaciones LNP utilizadas comercialmente.
Desarrollo acelerado de terapia de ARN
Una vez que los investigadores mostraron que el modelo podría predecir con precisión partículas que proporcionarían una terapia de ARN de manera eficiente, comenzaron a hacer preguntas adicionales.
Primero, se preguntaban si podían entrenar un modelo en nanopartículas que incorporan un quinto componente conocido como aminoestres de Polybeta (PBAE) ramificados.
A continuación, los investigadores comenzaron a entrenar el modelo para hacer predicciones sobre LNP que funcionan de manera óptima en una variedad de células, incluidas las células Caco-2 derivadas de las células cancerosas colorrectales.
Este modelo pudo predecir LNP que entregan eficientemente ARNm a estas células.
Finalmente, los investigadores usaron este modelo para predecir qué LNP podría resistir el secado. Este es un proceso de liofilización que a menudo se usa para aumentar la vida útil de una droga.
Turverving concluyó: «Es una herramienta que puede adaptarse a preguntas completamente diferentes y acelerar el desarrollo de las vacunas de ARN.
«Hicimos un gran conjunto de entrenamiento que entró en el modelo, pero hicimos más experimentos enfocados y obtuvimos un resultado que sería útil para tipos de preguntas muy diferentes».
Source link
