تسريع تطوير لقاحات الحمض النووي الريبوزي والعلاجات الجينية باستخدام الذكاء الاصطناعي
مقدمة
طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) طريقة جديدة لتصميم جسيمات نانوية تُحسّن من كفاءة توصيل لقاحات الحمض النووي الريبوزي (RNA) وأنواع أخرى من العلاجات الجينية القائمة على RNA، وذلك باستخدام تقنيات الذكاء الاصطناعي. وقد استخدم الباحثون نموذجًا للتعلم الآلي لتحليل آلاف الجسيمات الناقلة الحالية، مما مكّنهم من التنبؤ بمواد جديدة ذات كفاءة أعلى. كما سمح لهم النموذج بتحديد 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 خلايا مختلفة أو دمج مواد جديدة، بسرعة تفوق ما كان ممكنًا سابقًا. يتألف الجسيم النانوي الدهني النموذجي من أربعة مكونات: الكوليسترول، الدهون المساعدة، الدهون القابلة للتأين، والدهون المرتبطة بالبولي إيثيلين جليكول (PEG). يمكن استبدال المتغيرات المختلفة لكل من هذه المكونات، مما يؤدي إلى عدد هائل من التركيبات الممكنة. ونظرًا لأن تغيير هذه التركيبات واختبار كل منها بشكل فردي عملية تستغرق وقتًا طويلًا، لجأ الباحثون إلى الذكاء الاصطناعي لتسريع العملية.
نموذج COMET
طور الباحثون نموذجًا جديدًا للتعلم الآلي يُسمى COMET، مستوحى من بنية المحوّل (transformer architecture) المستخدمة في نماذج اللغات الكبيرة مثل ChatGPT. يتعلم COMET كيفية تفاعل المكونات الكيميائية المختلفة معًا في الجسيم النانوي لتأثيرها على خصائصه، مثل مدى كفاءته في توصيل RNA إلى الخلايا.
تدريب النموذج والنتائج
لإنشاء بيانات تدريب لنموذج التعلم الآلي، أنشأ الباحثون مكتبة تضم حوالي 3000 تركيبة مختلفة من الجسيمات النانوية الدهنية. قام الفريق باختبار كل من هذه الجسيمات الـ 3000 في المختبر لمعرفة مدى كفاءتها في توصيل الحمولة إلى الخلايا، ثم قام بإدخال جميع هذه البيانات إلى نموذج التعلم الآلي.
بعد تدريب النموذج، طلب الباحثون منه التنبؤ بتركيبات جديدة تعمل بشكل أفضل من الجسيمات النانوية الدهنية الحالية. قاموا باختبار هذه التنبؤات باستخدام التركيبات الجديدة لتوصيل mRNA الذي يشفر بروتينًا فلوريًا إلى خلايا جلد الفئران المزروعة في طبق بتري. وجدوا أن الجسيمات النانوية الدهنية التي تنبأ بها النموذج تعمل بشكل أفضل من الجسيمات الموجودة في بيانات التدريب، وفي بعض الحالات، أفضل من التركيبات المستخدمة تجاريًا.
توسيع نطاق النموذج
بعد إثبات دقة النموذج في التنبؤ بالجسيمات التي توصل mRNA بكفاءة، بدأ الباحثون في طرح أسئلة إضافية. قاموا بتدريب النموذج على جسيمات نانوية تتضمن مكونًا خامسًا: وهو نوع من البوليمرات يُعرف باسم إسترات بيتا أمينو متفرعة (PBAEs). كما دربوا النموذج للتنبؤ بالجسيمات النانوية الدهنية الأنسب لأنواع مختلفة من الخلايا، بما في ذلك خلايا Caco-2 المشتقة من خلايا سرطان القولون. وأخيرًا، استخدموا النموذج للتنبؤ بأي جسيمات نانوية دهنية يمكنها تحمل عملية التجفيف بالتجميد (lyophilization).
الاستنتاجات والتطبيقات المستقبلية
يُعدّ هذا النموذج أداةً قويةً يمكن تكييفها مع مجموعة مختلفة من الأسئلة، مما يساعد على تسريع عملية التطوير. يعمل الباحثون حاليًا على دمج بعض هذه الجسيمات في علاجات محتملة لمرض السكري والسمنة، وهما من الأهداف الرئيسية للمشروع الممول من ARPA-H. تشمل العلاجات التي يمكن توصيلها باستخدام هذا النهج تقليد GLP-1 ذات تأثيرات مماثلة لأوزيمبيك (Ozempic).
التمويل
تم تمويل هذا البحث من قبل مركز GO Nano Marble في معهد كوش، ومنحة Karl van Tassel Career Development، وقسم الهندسة الميكانيكية في معهد ماساتشوستس للتكنولوجيا، ومستشفى بريغهام والنساء، و ARPA-H.
اترك تعليقاً