Rewolucyjny przełom w technologii medycznej nadchodzi z prestiżowego Massachusetts Institute of Technology (MIT), gdzie inżynierowie, wykorzystując moc sztucznej inteligencji, opracowali metodę, która może radykalnie przyspieszyć rozwój nowej generacji szczepionek i terapii RNA. W centrum tego odkrycia znajduje się zaawansowany model uczenia maszynowego, który z niewiarygodną precyzją projektuje nanocząsteczki w celu skuteczniejszego dostarczania wrażliwych cząsteczek RNA bezpośrednio do ludzkich komórek. Podejście to nie tylko obiecuje szybszą drogę do nowych szczepionek, ale także otwiera drzwi do innowacyjnych metod leczenia niektórych z największych współczesnych wyzwań zdrowotnych, w tym otyłości, cukrzycy i innych zaburzeń metabolicznych.

Zespołowi badaczy z MIT udało się „nauczyć” model AI analizować i rozumieć interakcje tysięcy istniejących cząsteczek do dostarczania leków. Po intensywnym treningu model był w stanie samodzielnie przewidywać zupełnie nowe kombinacje materiałów o ulepszonych właściwościach. Ale jego możliwości sięgają dalej. Sztuczna inteligencja umożliwiła naukowcom zidentyfikowanie specyficznych formulacji nanocząsteczek, które są optymalne dla różnych typów komórek, oraz zbadanie, jak zintegrować nowe, dotychczas nieużywane materiały z istniejącymi systemami. Giovanni Traverso, profesor nadzwyczajny inżynierii mechanicznej na MIT i gastroenterolog w Brigham and Women's Hospital, który jest również starszym autorem badania, podkreśla: „Zastosowaliśmy narzędzia uczenia maszynowego, aby przyspieszyć identyfikację optymalnych mieszanin składników w nanocząsteczkach lipidowych. Pozwala nam to na celowanie w różne typy komórek lub włączanie nowych materiałów znacznie szybciej niż było to możliwe wcześniej.”

Rewolucja w Dostarczaniu Leków: Jak Działają Nanocząsteczki Lipidowe?

Technologia informacyjnego RNA (mRNA) stała się znana na całym świecie dzięki szczepionkom przeciwko wirusowi SARS-CoV-2. Kluczem do sukcesu tych szczepionek są nanocząsteczki lipidowe (LNP), mikroskopijne pęcherzyki tłuszczu, które służą jako nośniki transportowe. Ich rola jest dwojaka: po pierwsze, chronią kruchą cząsteczkę mRNA przed rozkładem w organizmie zaraz po wstrzyknięciu, a po drugie, pomagają jej przejść przez błonę komórkową i dotrzeć do miejsca przeznaczenia wewnątrz komórki, gdzie następnie produkowane jest pożądane białko (w przypadku szczepionek, białko wirusa, które stymuluje odpowiedź immunologiczną).

Tworzenie skuteczniejszych cząsteczek jest kluczowe dla rozwoju jeszcze silniejszych szczepionek i terapii. Lepsze nośniki mogłyby oznaczać mniejsze dawki, mniej skutków ubocznych i silniejszy efekt terapeutyczny. Jest to szczególnie ważne dla rozwoju terapii mRNA, które kodują geny białek mogących leczyć szeroki wachlarz chorób. Standardowa nanocząsteczka lipidowa składa się z czterech kluczowych składników: jonizowalnego lipidu, który wiąże RNA, cholesterolu, który zapewnia stabilność strukturalną, lipidu pomocniczego, który pomaga w uwalnianiu ładunku wewnątrz komórki, oraz lipidu połączonego z glikolem polietylenowym (PEG), który zapobiega agregacji cząsteczek i przedłuża ich krążenie w krwiobiegu. Każdy z tych składników może mieć liczne warianty, co tworzy astronomiczną liczbę możliwych kombinacji. Tradycyjne podejście, polegające na testowaniu każdej formulacji indywidualnie, jest niezwykle powolne, drogie i nieefektywne. To właśnie to wyzwanie skłoniło zespół z MIT do zwrócenia się w stronę sztucznej inteligencji.

COMET: Sztuczna Inteligencja Zainspirowana Modelami Językowymi

Aby rozwiązać ten złożony problem, badacze opracowali zupełnie nowy model o nazwie COMET (Composition-Oriented Transformer). Alvin Chan, były stażysta podoktorski na MIT i jeden z głównych autorów badania opublikowanego w czasopiśmie Nature Nanotechnology, wyjaśnia innowacyjność ich podejścia. „Większość modeli AI w odkrywaniu leków koncentruje się na optymalizacji pojedynczego związku, ale to podejście nie działa w przypadku nanocząsteczek lipidowych, które składają się z wielu wzajemnie połączonych składników” – mówi Chan. „Dlatego opracowaliśmy COMET, zainspirowany tą samą architekturą transformera, która napędza duże modele językowe, takie jak ChatGPT. Tak jak te modele rozumieją, jak słowa łączą się, tworząc znaczenie, COMET uczy się, jak różne składniki chemiczne łączą się w nanocząsteczce, aby wpływać na jej właściwości – na przykład na to, jak dobrze może dostarczać RNA do komórek.”

Aby model „nauczył się” tego złożonego języka chemicznego, badacze musieli najpierw stworzyć obszerny zbiór danych do treningu. Wygenerowali bibliotekę około 3000 różnych formulacji LNP. Każda z tych 3000 cząsteczek została przez zespół rygorystycznie przetestowana w laboratorium w celu zmierzenia ich skuteczności w dostarczaniu ładunku do komórek. Wszystkie zebrane dane, zarówno udane, jak i nieudane próby, zostały wprowadzone do modelu COMET. Po przeszkoleniu modelu na tym ogromnym zbiorze danych, badacze postawili mu kluczowe zadanie: przewidzieć nowe formulacje, które będą lepsze od wszystkich istniejących w zbiorze treningowym. Wyniki były niezwykłe.

Potwierdzenie Skuteczności i Przesuwanie Granic

Aby zweryfikować przewidywania sztucznej inteligencji, naukowcy zsyntetyzowali nowe formulacje zaproponowane przez COMET. Następnie użyli tych nanocząsteczek do dostarczenia mRNA kodującego białko fluorescencyjne do komórek skóry myszy hodowanych w warunkach laboratoryjnych. Mierząc intensywność fluorescencji, mogli precyzyjnie określić, ile mRNA zostało skutecznie dostarczone i przetłumaczone na białko. Okazało się, że nanocząsteczki lipidowe przewidziane przez model były rzeczywiście znacznie skuteczniejsze nie tylko od cząsteczek z oryginalnego zestawu treningowego, ale w niektórych przypadkach przewyższały nawet komercyjnie dostępne formulacje LNP, które są obecnie stosowane w praktyce klinicznej.

Ten sukces potwierdził, że model nie tylko rozpoznaje wzorce w danych, ale posiada również swoistą „kreatywność” w proponowaniu nowych, zoptymalizowanych rozwiązań, co radykalnie skraca cykl rozwojowy, który w innym przypadku trwałby lata.

Rozszerzanie Możliwości: Od Nowych Materiałów po Komórki Docelowe

Po udowodnieniu, że model może precyzyjnie przewidywać skuteczne cząsteczki do dostarczania mRNA, badacze postanowili przetestować jego wszechstronność, zadając dodatkowe, bardziej złożone pytania. Po pierwsze, interesowało ich, czy model można dostosować do projektowania cząsteczek zawierających piąty składnik: polimer znany jako rozgałęziony poli(beta-aminoester) (PBAE). Wcześniejsze badania zespołu Traverso wykazały, że te polimery same w sobie mogą skutecznie dostarczać kwasy nukleinowe, więc pojawiło się pytanie, czy ich dodanie do LNP może dodatkowo poprawić wydajność. Zespół stworzył nowy zestaw około 300 hybrydowych LNP, które zawierały również te polimery, i wykorzystał je do dodatkowego treningu modelu. Wynikowy model był w stanie przewidzieć nowe, jeszcze lepsze formulacje hybrydowe.

Kolejnym krokiem było wytrenowanie modelu do konkretnych zastosowań – przewidywania LNP, które najlepiej działałyby w różnych typach komórek. Skupili się na komórkach Caco-2, które pochodzą z komórek raka jelita grubego i są często używane jako model do badania wchłaniania leków w jelitach. Również w tym przypadku model z powodzeniem zidentyfikował formulacje zoptymalizowane pod kątem skutecznego dostarczania mRNA właśnie do tych komórek, otwierając drogę do terapii celowanych. Wreszcie naukowcy wykorzystali model do rozwiązania praktycznego problemu w przemyśle farmaceutycznym: stabilności leków. Zlecili mu zadanie przewidzenia, które formulacje LNP najlepiej zniosłyby liofilizację – proces suszenia sublimacyjnego, często stosowany w celu przedłużenia okresu przydatności do spożycia leków. Zdolność przewidywania takich właściwości mogłaby znacznie obniżyć koszty i wyzwania logistyczne związane z dystrybucją i przechowywaniem leków RNA.

Przyszłość Medycyny Spersonalizowanej i Nowe Cele Terapeutyczne

Profesor Traverso podkreśla, że COMET to coś więcej niż narzędzie do jednorazowej optymalizacji. „To jest platforma, która pozwala nam dostosować ją do całej gamy różnych pytań i pomóc przyspieszyć rozwój. Chociaż zaczęliśmy od dużego zbioru danych treningowych, teraz możemy przeprowadzać znacznie bardziej ukierunkowane eksperymenty i uzyskiwać użyteczne wyniki dla bardzo różnych problemów” – wyjaśnia. Wdrożenie takich narzędzi AI stanowi zmianę paradygmatu w badaniach i rozwoju farmaceutycznym.

Jego zespół aktywnie pracuje obecnie nad zastosowaniem niektórych z tych nowo zaprojektowanych cząsteczek w rozwoju potencjalnych metod leczenia cukrzycy i otyłości. Cele te są częścią wieloletniego programu badawczego finansowanego przez amerykańską Agencję Zaawansowanych Projektów Badawczych w Ochronie Zdrowia (ARPA-H), której jednym z ambitnych celów jest rozwój doustnych form terapii RNA, czyli leków, które można by przyjmować w postaci tabletek. Terapie, które mogłyby być dostarczane za pomocą tego podejścia, obejmują również mimetyki GLP-1, klasę leków podobnych do popularnego Ozempicu, które stymulowałyby organizm do samodzielnej produkcji białek terapeutycznych, oferując trwalsze i potencjalnie bezpieczniejsze rozwiązanie w leczeniu chorób metabolicznych.