هوش مصنوعی، طراح جدید نانوذرات دارویی
بلک بلاگ: با استفاده از مدل هوش مصنوعی COMET، دانشمندان MIT توانسته اند ترکیبات بهینه تری برای نانوذرات حامل RNA شناسایی کنند که عملکرد آنها را نسبت به نمونه های تجاری موجود بهبود می بخشد.
به گزارش بلک بلاگ به نقل از ایسنا، به نقل از ستاد ویژه فناوری نانو، با سودجستن از هوش مصنوعی، محققان MIT نگاهی تازه برای طراحی نانوذرات عرضه نموده اند که می تواند در انتقال مؤثرتر واکسن های RNA و سایر درمان های RNA محور ایفای نقش کند. آنها بعد از آموزش یک مدل یادگیری ماشین با هزاران ذرهٔ موجود، از آن برای پیش بینی مواد جدیدی استفاده کردند که عملکرد بهتری دارند. این مدل همین طور توانست ذراتی را شناسایی کند که در انواع مختلف سلول کارآمد هستند و امکان ادغام مواد تازه در ساختار نانوذرات را فراهم می کنند.
جیووانی تراورسُو، دانشیار مهندسی مکانیک در MIT و پزشک فوق تخصص گوارش در بیمارستان Brigham and Women’s، می گوید: «هدف ما استفاده از ابزارهای یادگیری ماشین برای تسریع شناسایی ترکیب های مناسب در نانوذرات لیپیدی است تا بتوانیم سلول های هدف متفاوتی را نشانه گیری نماییم یا مواد تازه ای را وارد ساختار ذرات کنیم؛ آن هم در بازه ای بسیار کوتاه تر از گذشته.»
این رویکرد می تواند روند توسعهٔ واکسن های RNA و همین طور درمان هایی را که برای رویارویی با چاقی، دیابت و سایر اختلالات متابولیک طراحی می شوند سرعت دهد.
نویسندگان اصلی مقاله، «آلوین چن» پژوهشگر پیشین MIT و استادیار کنونی دانشگاه فناوری نانیانگ و «امیایا کِرتانه» استادیار دانشگاه مینه سوتا، نتایج این پژوهش را در مجلهٔ Nature Nanotechnology منتشر نموده اند.
واکسن های RNA مانند واکسن های کووید-۱۹ معمولا در نانوذرات لیپیدی (LNPها) بسته بندی می شوند. این ذرات از mRNA در مقابل تجزیه محافظت می کنند و ورود آن به سلول ها بعد از تزریق را آسان تر می کنند. ساخت ذراتی با عملکرد بهتر می تواند به توسعهٔ واکسن های مؤثرتر کمک نماید. افزون بر این، بهبود سامانه های انتقال RNA می تواند مسیر تولید درمان هایی را هموار کند که ژن های رمزکنندهٔ پروتئین های درمانی را به سلول ها می رسانند.
در سال ۲۰۲۴، گروه تراورسُو با پشتیبانی آژانس فدرال ARPA-H برنامه ای چندساله برای توسعهٔ ابزارهای خوراکی انتقال RNA شروع کرد؛ ابزاری که بتواند واکسن ها و درمان های RNA را از راه بلع مصرفی وارد بدن کند.
تراورسُو می گوید: «یکی از هدف های ما افزایش مقدار پروتئینی است که سلول ها بعد از دریافت پیام RNA تولید می کنند. کارآمدی انتقال نقش کلیدی در این هدف دارد.»
هر نانوذرهٔ لیپیدی معمولا از چهار جزء تشکیل می شود: کلسترول، لیپید کمکی، لیپید یونیزه شونده و لیپیدی که به پلی اتیلن گلایکول (PEG) متصل است. تنوع نسخه های موجود از هر یک از این چهار جزء، تعداد بسیار زیادی ترکیب ممکن به وجود می آورد و آزمایش تک تک این ترکیب ها کاری بسیار زمان بر است. به این علت محققان به سراغ هوش مصنوعی رفتند.
چن توضیح می دهد: «بیشتر مدلهای هوش مصنوعی در حوزهٔ دارو برای بهینه سازی یک ترکیب منفرد طراحی شده اند. اما این رویکرد برای نانوذرات لیپیدی مناسب نمی باشد، چون این ذرات از اجزای گوناگون و وابسته به هم تشکیل شده اند. برای همین، ما مدلی جدید ساختیم با نام COMET بر پایهٔ معماری ترنسفورمر؛ همان ساختاری که مدلهای زبانی بزرگ مانند ChatGPT از آن بهره می گیرند. درست همان گونه که این مدلها درک می کنند واژه ها چه طور ترکیب می شوند و معنا می سازند، COMET یاد می گیرد اجزای شیمیایی چه طور کنار هم قرار می گیرند و خصوصیت هایی مانند کارآمدی انتقال RNA را شکل می دهند.»
برای تولید داده های آموزشی، محققان کتابخانه ای شامل حدود ۳٬۰۰۰ فرمول مختلف از LNPها ایجاد کردند. آنها عملکرد هر ذره را در انتقال RNA به سلول ها بررسی کردند و داده های حاصل را وارد مدل یادگیری ماشین نمودند.
بعد از آموزش مدل، پژوهشگران از آن خواستند فرمول هایی را پیشنهاد کند که از ذرات موجود کارآمدتر باشند. آزمایش های بعدی روی سلول های پوستی موش نشان داد که ذرات پیشنهادی مدل، RNA را با کارآمدی بیشتر از ذرات اولیه و حتی بعضی از ترکیبات تجاری موجود منتقل می کنند.
بعد از اثبات توان مدل، تیم پژوهشی پرسش های جدیدی بیان نمود. ابتدا خواستند ببینند آیا می توان مادهٔ پنجمی را هم به ساختار LNPها اضافه کرد: نوعی پلیمر شاخه دار به نام PBAE. این پلیمر پیشتر در انتقال اسیدهای نوکلئیک مؤثر شناخته شده بود. برای این کار، محققان مجموعه ای شامل ۳۰۰ نانوذرهٔ تازه ایجاد کردند که شامل PBAE هم بودند و مدل را باردیگر آموزش دادند. مدل توانست ترکیب هایی پیشنهاد کند که عملکرد بهتری داشتند.
سپس آنها بررسی کردند که آیا می توان مدل را برای شناسایی ترکیبات مناسب برای سلول های متفاوت آموزش داد؛ همچون سلول های Caco-۲ که منشأ آنها سرطان کولورکتال است. مدل باردیگر توانست ترکیب هایی پیش بینی نماید که انتقال RNA را در این سلول ها بهینه می کردند.
بالاخره، محققان از مدل خواستند ذراتی را شناسایی کند که در مقابل پروسه لیوفیلیزاسیون (خشک سازی انجمادی) مقاومت بیشتری دارند؛ فرایندی که برای افزایش طول عمر داروها نقش کلیدی دارد.
تراورسُو می گوید: «این ابزار به ما اجازه می دهد پرسش های کاملا متفاوتی طرح نماییم و با انجام آزمایش های متمرکزتر، پاسخ هایی مفید دریافت نماییم. ما مجموعهٔ بزرگی از داده ها را برای آموزش اولیه فراهم کردیم، اما حال می توانیم با آزمایش های هدفمندتر، مسیر توسعهٔ مواد را شتاب بدهیم.»
این گروه حال درحال استفاده از ترکیبات پیشنهادی مدل برای توسعهٔ درمان هایی برای دیابت و چاقی هستند؛ دو هدف اصلی پروژهٔ ARPA-H. یکی از این درمان ها، ترکیبات RNA است که ژن های مشابه هورمون GLP-۱ را تولید می کنند؛ هورمونی که سازوکار داروهایی مثل Ozempic هم از آن الهام گرفته شده است.
این مطالعه با پشتیبانی مرکز GO Nano Marble در مؤسسهٔ Koch، همین طور کمک هزینهٔ Karl van Tassel، گروه مهندسی مکانیک MIT، بیمارستان Brigham and Women’s و نهاد ARPA-H انجام شده است.
هر نانوذرهٔ لیپیدی معمولاً از چهار جزء تشکیل می شود: کلسترول، لیپید کمکی، لیپید یونیزه شونده و لیپیدی که به پلی اتیلن گلایکول (PEG) متصل است. تنوع نسخه های موجود از هر یک از این چهار جزء، تعداد بسیار زیادی ترکیب ممکن به وجود می آورد و آزمایش تک تک این ترکیب ها کاری بسیار زمان بر است. بالاخره، محققان از مدل خواستند ذراتی را شناسایی کند که در مقابل فرایند لیوفیلیزاسیون (خشک سازی انجمادی) مقاومت بیشتری دارند؛ فرایندی که برای افزایش طول عمر داروها نقش کلیدی دارد.
منبع: بلك بلاگ
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب