تسريع تطوير لقاحات الحمض النووي الريبوزي والعلاجات الجينية باستخدام الذكاء الاصطناعي
مقدمة
طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) طريقة جديدة لتصميم جسيمات نانوية تعمل على توصيل لقاحات الحمض النووي الريبوزي (RNA) وأنواع أخرى من العلاجات الجينية بكفاءة أعلى، وذلك باستخدام تقنيات الذكاء الاصطناعي. وقد اعتمدت هذه الطريقة على تدريب نموذج تعلّم آلي لتحليل آلاف الجسيمات الناقلة الموجودة، مما مكّن الباحثين من التنبؤ بمواد جديدة ذات كفاءة أعلى، بالإضافة إلى تحديد الجسيمات الأنسب لأنواع مختلفة من الخلايا، واكتشاف طرق لإدراج أنواع جديدة من المواد في هذه الجسيمات.
منهجية البحث
استخدم الباحثون أدوات التعلم الآلي لتسريع تحديد أفضل خلطات المكونات في الجسيمات النانوية الدهنية، بهدف استهداف أنواع مختلفة من الخلايا أو دمج مواد جديدة، بسرعة تفوق ما كان ممكناً سابقاً. يقول البروفيسور جيوفاني ترافرسو، الأستاذ المساعد في الهندسة الميكانيكية بمعهد MIT، وأخصائي الجهاز الهضمي في مستشفى بريغهام والنساء، والمؤلف الرئيسي للدراسة: “لقد قمنا بتطبيق أدوات التعلم الآلي للمساعدة في تسريع تحديد أفضل خلطات المكونات في الجسيمات النانوية الدهنية، بهدف استهداف أنواع مختلفة من الخلايا أو دمج مواد جديدة، بسرعة تفوق ما كان ممكناً سابقاً”.
تُعبأ لقاحات الحمض النووي الريبوزي، مثل لقاحات SARS-CoV-2، عادةً في جسيمات نانوية دهنية (LNPs) لتوصيلها. تحمي هذه الجسيمات mRNA من التحلل في الجسم وتساعدها على دخول الخلايا بمجرد الحقن. إن إنشاء جسيمات تعالج هذه المهام بكفاءة أعلى يمكن أن يساعد الباحثين على تطوير لقاحات أكثر فعالية. كما أن ناقلات التوصيل الأفضل يمكن أن تسهّل تطوير علاجات mRNA التي تشفر جينات البروتينات التي يمكن أن تساعد في علاج مجموعة متنوعة من الأمراض.
نموذج COMET
ركزت معظم نماذج الذكاء الاصطناعي في اكتشاف الأدوية على تحسين مركب واحد في كل مرة، لكن هذا النهج لا يناسب الجسيمات النانوية الدهنية، التي تتكون من مكونات متفاعلة متعددة. ولمعالجة هذه المشكلة، طور الباحثون نموذجًا جديدًا يُسمى COMET، مستوحى من بنية المحوّل نفسها التي تُشغّل نماذج اللغات الكبيرة مثل ChatGPT. كما تفهم هذه النماذج كيفية تضافر الكلمات لتشكيل المعنى، يتعلم COMET كيفية تضافر المكونات الكيميائية المختلفة في جسيم نانوي للتأثير على خصائصه، مثل مدى قدرته على توصيل RNA إلى الخلايا.
نتائج البحث
قام الباحثون بإنشاء مكتبة تضم حوالي 3000 صيغة مختلفة من LNP، واختبروا كل جسيم من هذه الجسيمات الـ 3000 في المختبر لمعرفة مدى كفاءتها في توصيل حمولتها إلى الخلايا، ثم قاموا بإدخال جميع هذه البيانات في نموذج التعلم الآلي. بعد تدريب النموذج، طلب الباحثون منه التنبؤ بصيغ جديدة تعمل بشكل أفضل من LNPs الموجودة. قاموا باختبار هذه التنبؤات باستخدام الصيغ الجديدة لتوصيل mRNA الذي يشفر بروتينًا فلوريًا إلى خلايا جلد الفأر المزروعة في طبق مختبري. وجدوا أن LNPs التي تنبأ بها النموذج عملت بشكل أفضل بالفعل من الجسيمات في بيانات التدريب، وفي بعض الحالات أفضل من صيغ LNP المستخدمة تجاريًا.
بعد ذلك، قام الباحثون بتدريب النموذج على الجسيمات النانوية التي تتضمن مكونًا خامسًا: وهو نوع من البوليمرات يُعرف باسم إسترات بيتا أمينية متفرعة (PBAEs). أظهر بحث ترافرسو وزملاؤه أن هذه البوليمرات يمكن أن توصّل الأحماض النووية بكفاءة بمفردها، لذلك أرادوا استكشاف ما إذا كان إضافتها إلى LNPs يمكن أن يحسّن أداء LNP. قام فريق MIT بإنشاء مجموعة من حوالي 300 LNP تتضمن أيضًا هذه البوليمرات، والتي استخدموها لتدريب النموذج. ثم أصبح النموذج الناتج قادرًا على التنبؤ بصيغ إضافية مع PBAEs تعمل بشكل أفضل.
كما قام الباحثون بتدريب النموذج للتنبؤ بـ LNPs التي تعمل بشكل أفضل في أنواع مختلفة من الخلايا، بما في ذلك نوع من الخلايا يسمى Caco-2، وهو مشتق من خلايا سرطان القولون. مرة أخرى، تمكن النموذج من التنبؤ بـ LNPs التي توصّل mRNA بكفاءة إلى هذه الخلايا. وأخيرًا، استخدم الباحثون النموذج للتنبؤ بأفضل LNPs التي تقاوم التجفيف بالتجميد، وهي عملية تُستخدم غالبًا لتمديد عمر الأدوية الافتراضي.
الخلاصة والتطبيقات المستقبلية
يُعد هذا النموذج أداةً تسمح بتكييفه مع مجموعة مختلفة تمامًا من الأسئلة والمساعدة في تسريع التطوير. يعمل ترافرسو وزملاؤه الآن على دمج بعض هذه الجسيمات في علاجات محتملة لمرض السكري والسمنة، وهما من الأهداف الرئيسية للمشروع المموّل من ARPA-H. تشمل العلاجات التي يمكن توصيلها باستخدام هذا النهج تقليد GLP-1 مع تأثيرات مشابهة لأوزيمبيك.
التمويل
تم تمويل هذا البحث من قبل مركز GO Nano Marble في معهد كوتش، ومنح Karl van Tassel Career Development، وقسم الهندسة الميكانيكية في معهد MIT، ومستشفى بريغهام والنساء، و ARPA-H.
اترك تعليقاً