Utilizando inteligencia fabricado, los investigadores del MIT han creado una nueva forma de diseñar nanopartículas que puedan entregar más eficientemente las vacunas de ARN y otros tipos de terapias de ARN.
Luego de capacitar a un maniquí de formación forzoso para analizar miles de partículas de entrega existentes, los investigadores lo usaron para predecir nuevos materiales que funcionarían aún mejor. El maniquí incluso permitió a los investigadores identificar partículas que funcionarían admisiblemente en diferentes tipos de células y descubrir formas de incorporar nuevos tipos de materiales en las partículas.
«Lo que hicimos fue aplicar herramientas de formación forzoso para ayudar a acelerar la identificación de mezclas óptimas de ingredientes en nanopartículas de lípidos para ayudar a dirigirse a un tipo de célula diferente o ayudar a incorporar materiales diferentes, mucho más rápido de lo que era posible», dice Giovanni Traverso, profesor asociado de ingeniería mecánica en MIT, un gastroenterólogo de BRIGHAM y el Hospital de Mujeres y el Hospital de Mujeres, y el autor de The Study.
Este enfoque podría acelerar dramáticamente el proceso de desarrollar nuevas vacunas de ARN, así como terapias que podrían estar de moda para tratar la obesidad, la diabetes y otros trastornos metabólicos, dicen los investigadores.
Alvin Chan, ex postdoc de MIT que ahora es profesora asistente en la Universidad Tecnológica de Nanyang, y Ameya Kirtane, ex postdoc de MIT que ahora es profesora asistente en la Universidad de Minnesota, son la autores principales del nuevo estudio, que aparece hoy en hoy. Nanotecnología de la naturaleza.
Predicciones de partículas
Las vacunas de ARN, como las vacunas para SARS-CoV-2, generalmente se empaquetan en nanopartículas lipídicas (LNP) para la entrega. Estas partículas protegen el ARNm de que se descompongan en el cuerpo y lo ayudan a ingresar a las células una vez inyectadas.
Crear partículas que manejen estos trabajos de modo más capaz podría ayudar a los investigadores a desarrollar vacunas aún más efectivas. Mejores vehículos de entrega incluso podrían allanar la desarrollar terapias de ARNm que codifiquen genes para proteínas que podrían ayudar a tratar una variedad de enfermedades.
En 2024, el laboratorio de Traverso lanzó un varios primaveras software de investigaciónfinanciado por la Agencia de Proyectos de Investigación Avanzadilla de EE. UU. Para la Sanidad (ARPA-H), para desarrollar nuevos dispositivos ingeribles que puedan ganar la entrega vocal de tratamientos y vacunas de ARN.
«Parte de lo que estamos tratando de hacer es desarrollar formas de producir más proteínas, por ejemplo, para aplicaciones terapéuticas. Maximizar la eficiencia es importante para poder aumentar cuánto podemos producir las células», dice Traverso.
Un LNP peculiar consta de cuatro componentes: un colesterol, un lípido auxiliar, un lípido ionizable y un lípido unido al polietilenglicol (PEG). Se pueden cambiar diferentes variantes de cada uno de estos componentes para crear una gran cantidad de combinaciones posibles. Cambiar estas formulaciones y probar cada uno individualmente es muy calmoso, por lo que Traverso, Chan y sus colegas decidieron apelar a la inteligencia fabricado para ayudar a acelerar el proceso.
«La mayoría de los modelos de IA en el descubrimiento de fármacos se centran en optimizar un solo compuesto a la vez, pero ese enfoque no funciona para las nanopartículas de lípidos, que están hechos de múltiples componentes interactivos», dice Chan. «Para topar esto, desarrollamos un nuevo maniquí llamado Comet, inspirado en la misma inmueble del transformador que alimenta modelos de estilo grandes como ChatGPT. Así como esos modelos entienden cómo las palabras se combinan para formar significado, Comet aprende cómo los diferentes componentes químicos se unen en una nanopartícula para influir en sus propiedades, como cómo puede gobernar ARN en las células».
Para suscitar datos de capacitación para su maniquí de formación forzoso, los investigadores crearon una biblioteca de aproximadamente 3.000 formulaciones LNP diferentes. El equipo probó cada una de estas 3.000 partículas en el laboratorio para ver cuán eficientemente pudieron entregar su carga útil a las celdas, luego alimentó todos estos datos en un maniquí de formación forzoso.
Luego de que el maniquí fue capacitado, los investigadores le pidieron que predeciera nuevas formulaciones que funcionarían mejor que los LNP existentes. Probaron esas predicciones utilizando las nuevas formulaciones para gobernar ARNm que codifica una proteína fluorescente a las células de la piel de ratón cultivadas en un plato de laboratorio. Descubrieron que los LNP predichos por el maniquí funcionaban mejor que las partículas en los datos de entrenamiento, y en algunos casos mejor que las formulaciones LNP que se utilizan comercialmente.
Explicación acelerado
Una vez que los investigadores mostraron que el maniquí podría predecir con precisión partículas que entregarían eficientemente el ARNm, comenzaron a hacer preguntas adicionales. Primero, se preguntaban si podían entrenar el maniquí en nanopartículas que incorporan un botellín componente: un tipo de polímero conocido como ésteres ramificados de poli beta amino (PBAE).
La investigación realizada por Traverso y sus colegas ha demostrado que estos polímeros pueden gobernar efectivamente ácidos nucleicos por su cuenta, por lo que querían explorar si agregarlos a LNP podría mejorar el rendimiento de LNP. El equipo del MIT creó un conjunto de aproximadamente 300 LNP que incluso incluyen estos polímeros, que usaron para entrenar el maniquí. El maniquí resultante podría predecir formulaciones adicionales con PBAE que funcionarían mejor.
A continuación, los investigadores se propusieron capacitar al maniquí para hacer predicciones sobre LNP que funcionarían mejor en diferentes tipos de células, incluido un tipo de célula convocatoria CaCo-2, que se deriva de las células cancerosas colorrectales. Nuevamente, el maniquí pudo predecir LNP que entregarían eficientemente ARNm a estas células.
Por final, los investigadores utilizaron el maniquí para predecir qué LNP podría resistir mejor la liofilización, un proceso de liofilización que a menudo se usa para extender la vida útil de los medicamentos.
«Esta es una aparejo que nos permite adaptarlo a un conjunto de preguntas completamente diferente y ayudar a acelerar el mejora. Hicimos un gran conjunto de capacitación que entró en el maniquí, pero puede hacer experimentos mucho más enfocados y obtener horizontes que son aperos en tipos muy diferentes de preguntas», dice Traverso.
Él y sus colegas ahora están trabajando en la incorporación de algunas de estas partículas en tratamientos potenciales para la diabetes y la obesidad, que son dos de los objetivos principales del esquema financiado por ARPA-H. La terapéutica que podría entregarse utilizando este enfoque incluyen imitadores GLP-1 con existencias similares a Ozempic.
Esta investigación fue financiada por el Centro GO Nano Marble en el Instituto Koch, la profesión de mejora profesional Karl Van Tassel, el Área de Ingeniería Mecánica del MIT, Brigham and Women’s Hospital y ARPA-H.