A lipid-nanorészecskék jelentősége és kihívásai
Az mRNS-vakcinákat lipid-nanorészecskék (LNP-k) védik meg a szervezetben való lebomlástól, emellett segítik az üzenet bejutását a sejtekbe. A nanorészecskék összetétele kulcsfontosságú: négy fő összetevőből állnak – koleszterinből, segédlipidből, ionizálható lipidből és egy polietilén-glikolhoz kapcsolódó lipidből. Jelentősége, hogy ezekből az összetevőkből szinte végtelen számú kombináció hozható létre, ám minden egyes változatot külön tesztelni rendkívül időigényes folyamat.
MI-alapú előrejelzés: a COMET modell megszületése
Az MIT csapata azonban új utat nyitott: kidolgoztak egy MI-alapú modellt, a COMET-et, amely képes előrejelezni, mely kombinációk lesznek a leghatékonyabbak. Ez a rendszer a ChatGPT-hez hasonló architektúrán alapul, de itt az összetevők közötti kémiai kapcsolatokat tanulja meg, nem a szavak közötti összefüggéseket. 3000-féle LNP-t készítettek el laboratóriumban, majd mindegyiket tesztelték, hogyan képesek mRNS-t bejuttatni sejtekbe. Ezt az adatbázist töltötték be az MI-be.
A COMET így nemcsak a leghatékonyabb, új kombinációkat találta meg, hanem azt is képes előre jelezni, hogyan működnének ezek különböző sejttípusokon – például a bélrákból származó Caco-2 sejtvonalon –, valamint hogyan lehet új kémiai anyagokat, például polimereket beépíteni az LNP-kbe.
Új anyagok, célzott sejttípusok és hőstabilitás
A fejlesztők a meglévő négykomponensű kombinációkat kibővítették egy ötödik összetevővel: elágazó poli-béta-aminoészterrel (PBAE), amelyet korábban nukleinsav-szállításra is hatékonynak találtak. Az így létrehozott mintegy 300 új LNP-t is betáplálták a rendszerbe, amely ezekből is új, még hatékonyabb formulációkat jósolt meg. Emellett a modellt arra is megtanították, hogy olyan LNP-ket válasszon ki, amelyek jobban bírják a fagyasztva szárítást (liofilizálást), ami kulcsfontosságú a gyógyszerek eltarthatósága szempontjából.
Gyorsabb fejlesztés, szélesebb körű lehetőségek
A gépi tanulás modulja jelentősen felgyorsítja a terápiák fejlesztését, hiszen most már célzottan, kevesebb laboratóriumi munkával lehet kidolgozni a legoptimálisabb összetételű szállító nanorészecskéket. A csapat már most alkalmazza ezt a tudást metabolikus betegségek, például cukorbetegség és elhízás elleni kezelések fejlesztésében – például GLP-1 analógok szállítására, amelyek hatása hasonló a magyarul ismert Ozempichez (Ozempic).
Az új MI-generáció jelentősége az egészségügyben
A fentiek alapján világossá vált, hogy az MI nem csupán a gyógyszerkutatás tempóját gyorsítja fel, hanem lehetővé teszi, hogy korábban elérhetetlen terápiás célokat is hatékonyan megközelíthessünk. Ez a technológia a jövőben a vakcinákon túl számos orvosi területen is alapvető változásokat hozhat, megnyitva a molekuláris kombinációk széles tárházát az egészségügy számára.
