Revolucionarni iskorak u medicinskoj tehnologiji dolazi nam s prestižnog Massachusetts Institute of Technology (MIT), gdje su inženjeri, koristeći snagu umjetne inteligencije, razvili metodu koja bi mogla dramatično ubrzati razvoj nove generacije RNA cjepiva i terapija. U središtu ovog otkrića je napredni model strojnog učenja koji s nevjerojatnom preciznošću dizajnira nanočestice za učinkovitiju dostavu osjetljivih molekula RNA izravno u ljudske stanice. Ovaj pristup ne samo da obećava brži put do novih cjepiva, već otvara i vrata za inovativne tretmane protiv nekih od najvećih zdravstvenih izazova današnjice, uključujući pretilost, dijabetes i druge metaboličke poremećaje.

Tim istraživača s MIT-a uspio je "naučiti" AI model da analizira i razumije interakcije tisuća postojećih čestica za dostavu lijekova. Nakon intenzivnog treninga, model je bio u stanju samostalno predvidjeti potpuno nove kombinacije materijala s poboljšanim svojstvima. No, njegove mogućnosti idu i dalje od toga. Umjetna inteligencija omogućila je znanstvenicima da identificiraju specifične formulacije nanočestica koje su optimalne za različite tipove stanica te da istraže kako integrirati nove, dosad nekorištene materijale u postojeće sustave. Giovanni Traverso, izvanredni profesor strojarstva na MIT-u i gastroenterolog u bolnici Brigham and Women's, koji je ujedno i stariji autor studije, ističe: "Primijenili smo alate strojnog učenja kako bismo ubrzali identifikaciju optimalnih mješavina sastojaka u lipidnim nanočesticama. To nam omogućuje ciljanje različitih tipova stanica ili uključivanje novih materijala znatno brže nego što je to prije bilo moguće."

Revolucija u Dostavi Lijekova: Kako Funkcioniraju Lipidne Nanočestice?

Tehnologija informacijske RNA (mRNA) postala je globalno poznata zahvaljujući cjepivima protiv virusa SARS-CoV-2. Ključ uspjeha ovih cjepiva leži u lipidnim nanočesticama (LNP), mikroskopskim mjehurićima masti koji služe kao transportna vozila. Njihova je uloga dvostruka: prvo, štite krhku molekulu mRNA od razgradnje u tijelu čim se ubrizga, i drugo, pomažu joj da prođe kroz staničnu membranu i stigne na odredište unutar stanice, gdje se zatim proizvodi željeni protein (u slučaju cjepiva, protein virusa koji potiče imunosni odgovor).

Stvaranje učinkovitijih čestica ključno je za razvoj još potentnijih cjepiva i terapija. Bolja dostavna vozila mogla bi značiti manje doze, manje nuspojava i snažniji terapijski učinak. To je posebno važno za razvoj mRNA terapija koje kodiraju gene za proteine koji bi mogli liječiti širok spektar bolesti. Standardna lipidna nanočestica sastoji se od četiri ključne komponente: ionizirajućeg lipida koji veže RNA, kolesterola koji osigurava strukturnu stabilnost, pomoćnog lipida koji pomaže u oslobađanju tereta unutar stanice te lipida povezanog s polietilen glikolom (PEG) koji sprječava nakupljanje čestica i produžuje njihovu cirkulaciju u krvotoku. Svaka od ovih komponenti može imati brojne varijante, što stvara astronomski broj mogućih kombinacija. Tradicionalni pristup koji se oslanja na testiranje svake formulacije pojedinačno je izuzetno spor, skup i neučinkovit. Upravo je taj izazov potaknuo tim s MIT-a da se okrene umjetnoj inteligenciji.

COMET: Umjetna Inteligencija Inspirirana Jezičnim Modelima

Kako bi riješili ovaj kompleksni problem, istraživači su razvili potpuno novi model nazvan COMET (Composition-Oriented Transformer). Alvin Chan, bivši postdoktorand na MIT-u i jedan od vodećih autora studije objavljene u časopisu Nature Nanotechnology, objašnjava inovativnost njihovog pristupa. "Većina AI modela u otkrivanju lijekova fokusira se na optimizaciju pojedinačnog spoja, no taj pristup ne funkcionira za lipidne nanočestice koje se sastoje od više međusobno povezanih komponenti," kaže Chan. "Zato smo razvili COMET, inspiriran istom transformer arhitekturom koja pokreće velike jezične modele poput ChatGPT-ja. Baš kao što ti modeli razumiju kako se riječi kombiniraju da bi stvorile značenje, COMET uči kako se različite kemijske komponente spajaju u nanočestici kako bi utjecale na njezina svojstva – poput toga koliko dobro može dostaviti RNA u stanice."

Da bi model "naučio" ovaj složeni kemijski jezik, istraživači su prvo morali stvoriti opsežan set podataka za trening. Generirali su biblioteku od otprilike 3.000 različitih LNP formulacija. Svaku od tih 3.000 čestica tim je rigorozno testirao u laboratoriju kako bi izmjerio njihovu učinkovitost u dostavi tereta u stanice. Svi prikupljeni podaci, i uspješni i neuspješni pokušaji, uneseni su u COMET model. Nakon što je model obučen na ovom masivnom setu podataka, istraživači su mu postavili ključni zadatak: predvidi nove formulacije koje će biti superiornije od svih postojećih u trening setu. Rezultati su bili izvanredni.

Potvrda Učinkovitosti i Pomicanje Granica

Kako bi provjerili predviđanja umjetne inteligencije, znanstvenici su sintetizirali nove formulacije koje je COMET predložio. Te su nanočestice zatim iskoristili za dostavu mRNA koja kodira fluorescentni protein u stanice kože miša uzgojene u laboratorijskim uvjetima. Mjerenjem intenziteta fluorescencije, mogli su precizno kvantificirati koliko je mRNA uspješno dostavljeno i prevedeno u protein. Pokazalo se da su lipidne nanočestice koje je predvidio model doista bile značajno učinkovitije ne samo od čestica iz originalnog seta za obuku, već su u nekim slučajevima nadmašile i komercijalno dostupne LNP formulacije koje se trenutno koriste u kliničkoj praksi.

Ovaj uspjeh potvrdio je da model ne samo da prepoznaje uzorke u podacima, već posjeduje i svojevrsnu "kreativnost" u predlaganju novih, optimiziranih rješenja, čime se dramatično skraćuje razvojni ciklus koji bi inače trajao godinama.

Proširenje Mogućnosti: Od Novih Materijala do Ciljanih Stanica

Nakon što su dokazali da model može precizno predviđati učinkovite čestice za dostavu mRNA, istraživači su odlučili testirati njegovu svestranost postavljanjem dodatnih, složenijih pitanja. Prvo, zanimalo ih je može li se model prilagoditi za dizajniranje čestica koje sadrže i petu komponentu: polimer poznat kao razgranati poli beta-amino ester (PBAE). Prethodna istraživanja Traversovog tima pokazala su da ovi polimeri sami po sebi mogu učinkovito dostavljati nukleinske kiseline, pa se postavilo pitanje može li njihovo dodavanje u LNP-ove dodatno poboljšati performanse. Tim je stvorio novi set od oko 300 hibridnih LNP-ova koji su sadržavali i ove polimere te ih iskoristio za dodatni trening modela. Rezultirajući model bio je sposoban predvidjeti nove, još bolje hibridne formulacije.

Sljedeći korak bio je treniranje modela za specifične primjene – predviđanje LNP-ova koji bi najbolje djelovali u različitim vrstama stanica. Usmjerili su se na stanice Caco-2, koje potječu od stanica karcinoma debelog crijeva i često se koriste kao model za proučavanje apsorpcije lijekova u crijevima. I u ovom je slučaju model uspješno identificirao formulacije optimizirane za učinkovitu dostavu mRNA upravo u te stanice, otvarajući put ciljanim terapijama. Konačno, znanstvenici su iskoristili model za rješavanje praktičnog problema u farmaceutskoj industriji: stabilnosti lijekova. Postavili su mu zadatak da predvidi koje bi LNP formulacije najbolje podnijele liofilizaciju – proces sušenja smrzavanjem koji se često koristi za produženje roka trajanja lijekova. Sposobnost predviđanja ovakvih svojstava mogla bi značajno smanjiti troškove i logističke izazove povezane s distribucijom i skladištenjem RNA lijekova.

Budućnost Personalizirane Medicine i Novi Terapijski Ciljevi

Profesor Traverso naglašava da je COMET više od alata za jednokratnu optimizaciju. "Ovo je platforma koja nam omogućuje da je prilagodimo čitavom nizu različitih pitanja i pomognemo ubrzati razvoj. Iako smo započeli s velikim setom podataka za trening, sada možemo provoditi mnogo fokusiranije eksperimente i dobivati korisne rezultate za vrlo različite probleme," objašnjava on. Implementacija ovakvih AI alata predstavlja paradigmu promjene u farmaceutskom istraživanju i razvoju.

Njegov tim sada aktivno radi na primjeni nekih od ovih novodizajniranih čestica u razvoju potencijalnih tretmana za dijabetes i pretilost. Ovi su ciljevi dio višegodišnjeg istraživačkog programa financiranog od strane američke Agencije za napredne istraživačke projekte u zdravstvu (ARPA-H), čiji je jedan od ambicioznih ciljeva razvoj oralnih oblika RNA terapija, odnosno lijekova koji bi se mogli uzimati u obliku tablete. Terapije koje bi se mogle isporučiti ovim pristupom uključuju i mimetike GLP-1, klasu lijekova sličnih popularnom Ozempicu, koji bi poticali tijelo da samo proizvodi terapijske proteine, nudeći dugotrajnije i potencijalno sigurnije rješenje za liječenje metaboličkih bolesti.