به گزارش ثریا -  به نقل از ستاد ویژه فناوری نانو، با بهره‌گیری از هوش مصنوعی، پژوهشگران MIT رویکردی تازه برای طراحی نانوذرات عرضه کرده‌اند که می‌تواند در انتقال مؤثرتر واکسن‌های RNA و سایر درمان‌های RNA محور نقش‌آفرینی کند. آن‌ها پس از آموزش یک مدل یادگیری ماشین با هزاران ذرهٔ موجود، از آن برای پیش‌بینی مواد جدیدی استفاده کردند که عملکرد بهتری دارند. این مدل همچنین توانست ذراتی را شناسایی کند که در انواع مختلف سلول کارآمد هستند و امکان ادغام مواد تازه در ساختار نانوذرات را فراهم می‌کنند.

جیووانی تراورسُو، دانشیار مهندسی مکانیک در MIT و پزشک فوق‌تخصص گوارش در بیمارستان Brigham and Women’s، می‌گوید: «هدف ما استفاده از ابزارهای یادگیری ماشین برای تسریع شناسایی ترکیب‌های مناسب در نانوذرات لیپیدی است تا بتوانیم سلول‌های هدف متفاوتی را نشانه‌گیری کنیم یا مواد تازه‌ای را وارد ساختار ذرات کنیم؛ آن هم در بازه‌ای بسیار کوتاه‌تر از گذشته.»

این رویکرد می‌تواند روند توسعهٔ واکسن‌های RNA و همچنین درمان‌هایی را که برای مقابله با چاقی، دیابت و سایر اختلالات متابولیک طراحی می‌شوند سرعت دهد.

نویسندگان اصلی مقاله، «آلوین چن» پژوهشگر پیشین MIT و استادیار کنونی دانشگاه فناوری نانیانگ و «امیایا کِرتانه» استادیار دانشگاه مینه‌سوتا، نتایج این تحقیق را در مجلهٔ Nature Nanotechnology منتشر کرده‌اند.

واکسن‌های RNA مانند واکسن‌های کووید-۱۹ معمولاً در نانوذرات لیپیدی (LNPها) بسته‌بندی می‌شوند. این ذرات از mRNA در برابر تجزیه محافظت می‌کنند و ورود آن به سلول‌ها پس از تزریق را آسان‌تر می‌کنند. ساخت ذراتی با عملکرد بهتر می‌تواند به توسعهٔ واکسن‌های مؤثرتر کمک کند. افزون بر این، بهبود سامانه‌های انتقال RNA می‌تواند مسیر تولید درمان‌هایی را هموار کند که ژن‌های رمزکنندهٔ پروتئین‌های درمانی را به سلول‌ها می‌رسانند.

در سال ۲۰۲۴، گروه تراورسُو با پشتیبانی آژانس فدرال ARPA-H برنامه‌ای چندساله برای توسعهٔ ابزارهای خوراکی انتقال RNA آغاز کرد؛ ابزاری که بتواند واکسن‌ها و درمان‌های RNA را از طریق بلع مصرفی وارد بدن کند.

تراورسُو می‌گوید: «یکی از هدف‌های ما افزایش مقدار پروتئینی است که سلول‌ها پس از دریافت پیام RNA تولید می‌کنند. کارایی انتقال نقش کلیدی در این هدف دارد.»

هر نانوذرهٔ لیپیدی معمولاً از چهار جزء تشکیل می‌شود: کلسترول، لیپید کمکی، لیپید یونیزه‌شونده و لیپیدی که به پلی‌اتیلن‌گلایکول (PEG) متصل است. تنوع نسخه‌های موجود از هر یک از این چهار جزء، تعداد بسیار زیادی ترکیب ممکن ایجاد می‌کند و آزمایش تک‌تک این ترکیب‌ها کاری بسیار زمان‌بر است. به همین دلیل پژوهشگران به سراغ هوش مصنوعی رفتند.

چن توضیح می‌دهد: «بیشتر مدل‌های هوش مصنوعی در حوزهٔ دارو برای بهینه‌سازی یک ترکیب منفرد طراحی شده‌اند. اما این رویکرد برای نانوذرات لیپیدی مناسب نیست، چون این ذرات از اجزای متعدد و وابسته به هم تشکیل شده‌اند. برای همین، ما مدلی جدید ساختیم با نام COMET بر پایهٔ معماری ترنسفورمر؛ همان ساختاری که مدل‌های زبانی بزرگ مانند ChatGPT از آن بهره می‌گیرند. درست همان‌طور که این مدل‌ها درک می‌کنند واژه‌ها چگونه ترکیب می‌شوند و معنا می‌سازند، COMET یاد می‌گیرد اجزای شیمیایی چگونه کنار هم قرار می‌گیرند و ویژگی‌هایی مانند کارایی انتقال RNA را شکل می‌دهند.»

برای تولید داده‌های آموزشی، پژوهشگران کتابخانه‌ای شامل حدود ۳٬۰۰۰ فرمول مختلف از LNPها ایجاد کردند. آن‌ها عملکرد هر ذره را در انتقال RNA به سلول‌ها بررسی کردند و داده‌های حاصل را وارد مدل یادگیری ماشین نمودند.

پس از آموزش مدل، محققان از آن خواستند فرمول‌هایی را پیشنهاد کند که از ذرات موجود کارآمدتر باشند. آزمایش‌های بعدی روی سلول‌های پوستی موش نشان داد که ذرات پیشنهادی مدل، RNA را با کارایی بالاتر از ذرات اولیه و حتی برخی از ترکیبات تجاری موجود منتقل می‌کنند.

پس از اثبات توان مدل، تیم پژوهشی پرسش‌های جدیدی مطرح کرد. ابتدا خواستند ببینند آیا می‌توان مادهٔ پنجمی را نیز به ساختار LNPها افزود: نوعی پلیمر شاخه‌دار به نام PBAE. این پلیمر پیش‌تر در انتقال اسیدهای نوکلئیک مؤثر شناخته شده بود. برای این کار، پژوهشگران مجموعه‌ای شامل ۳۰۰ نانوذرهٔ تازه ایجاد کردند که شامل PBAE نیز بودند و مدل را دوباره آموزش دادند. مدل توانست ترکیب‌هایی پیشنهاد کند که عملکرد بهتری داشتند.

سپس آن‌ها بررسی کردند که آیا می‌توان مدل را برای شناسایی ترکیبات مناسب برای سلول‌های متفاوت آموزش داد؛ از جمله سلول‌های Caco-۲ که منشأ آن‌ها سرطان کولورکتال است. مدل دوباره توانست ترکیب‌هایی پیش‌بینی کند که انتقال RNA را در این سلول‌ها بهینه می‌کردند.

در نهایت، پژوهشگران از مدل خواستند ذراتی را شناسایی کند که در برابر فرآیند لیوفیلیزاسیون (خشک‌سازی انجمادی) مقاومت بیشتری دارند؛ فرایندی که برای افزایش طول عمر داروها نقش کلیدی دارد.

تراورسُو می‌گوید: «این ابزار به ما اجازه می‌دهد پرسش‌های کاملاً متفاوتی طرح کنیم و با انجام آزمایش‌های متمرکزتر، پاسخ‌هایی مفید دریافت کنیم. ما مجموعهٔ بزرگی از داده‌ها را برای آموزش اولیه فراهم کردیم، اما اکنون می‌توانیم با آزمایش‌های هدفمندتر، مسیر توسعهٔ مواد را شتاب بدهیم.»

این گروه اکنون در حال استفاده از ترکیبات پیشنهادی مدل برای توسعهٔ درمان‌هایی برای دیابت و چاقی هستند؛ دو هدف اصلی پروژهٔ ARPA-H. یکی از این درمان‌ها، ترکیبات RNA است که ژن‌های مشابه هورمون GLP-۱ را تولید می‌کنند؛ هورمونی که سازوکار داروهایی مثل Ozempic نیز از آن الهام گرفته شده است.

این پژوهش با پشتیبانی مرکز GO Nano Marble در مؤسسهٔ Koch، همچنین کمک‌هزینهٔ Karl van Tassel، گروه مهندسی مکانیک MIT، بیمارستان Brigham and Women’s و نهاد ARPA-H انجام شده است.

منبع : هوش مصنوعی