Успех РНК-вакцин во время пандемии COVID-19 стал монументальным научным достижением. Но он также выявил критическое узкое место: разработка транспортного средства так же важна, как и разработка самой РНК-последовательности. Процесс создания правильных липидных наночастиц (ЛНЧ) для защиты и доставки РНК в наши клетки был медленным, ресурсоемким процессом проб и ошибок. Однако новое исследование Массачусетского технологического института (MIT) показывает, как ИИ готов навсегда устранить это узкое место.

Речь идет не только об ускорении разработки вакцин. Речь идет о создании платформы для нового поколения РНК-терапии, нацеленной на всё: от метаболических расстройств, таких как ожирение и диабет, до редких генетических заболеваний.

Проблема проектирования наночастиц

Типичная липидная наночастица (ЛНЧ) — микроскопический жировой пузырек, который несет РНК-полезную нагрузку, — представляет собой точную смесь четырех или более компонентов. Замена различных вариантов каждого ингредиента создает огромное количество возможных комбинаций, каждая из которых обладает различными свойствами. Тестирование этих составов по одному в лаборатории — это мучительно медленный и дорогостоящий процесс, который тормозит инновации.

По сути, это проблема поиска, и это именно тот тип сложной, многопараметрической задачи, для решения которой создан современный ИИ.

Модель ИИ, вдохновленная ChatGPT

Исследователи Массачусетского технологического института разработали модель машинного обучения под названием COMET для ускорения открытия оптимальных составов ЛНЧ. В шаге, который наводит мосты между большими языковыми моделями и материаловедением, они основали COMET на той же архитектуре трансформера, которая лежит в основе таких систем, как ChatGPT.

Вместо изучения взаимосвязей между словами COMET изучает, как различные химические компоненты в наночастице взаимодействуют, влияя на ее функцию — в частности, насколько хорошо она доставляет РНК в клетки.

Для обучения модели команда создала и лабораторно протестировала библиотеку из почти 3000 различных составов ЛНЧ, передавая данные о производительности обратно в COMET. После обучения модель могла предсказывать новые составы, которые превосходили существующие. Результаты были немедленными:

  • Превосходная производительность: ЛНЧ, предсказанные моделью, были более эффективны в доставке своей мРНК-полезной нагрузки, чем любые частицы в исходных обучающих данных.
  • Адаптивность: Модель не была «однозадачной». Исследователи успешно адаптировали ее для включения пятого компонента — полимера, известного как PBAE, — и предсказания высокоэффективных гибридных частиц.
  • Целевая доставка: Обучая ее на разных типах клеток, модель могла идентифицировать ЛНЧ, оптимизированные для конкретных целей, таких как клетки Caco-2, полученные из колоректального рака.
  • Повышенная стабильность: Модель могла даже предсказывать, какие составы ЛНЧ лучше всего выдерживают сублимационную сушку (лиофилизацию) — важный шаг для продления срока годности лекарств.

От лабораторных исследований к промышленной платформе

Эта работа — нечто большее, чем академическое упражнение; она представляет собой фундаментальный сдвиг в нашем подходе к НИОКР в области биотехнологий. Мы переходим от ручного, грубого открытия к интеллектуальному, автоматизированному процессу проектирования.

Рынок уже сигнализирует о масштабах этой возможности. Прогнозируется, что к 2028 году рынок РНК-терапевтических средств вырастет более чем на 1,27 миллиарда долларов США, при этом с 2011 года в эту область было инвестировано более 16 миллиардов долларов США. Этот капитал подпитывает поиск более быстрых и надежных методов разработки.

Применяя ИИ, мы можем индустриализировать процесс НИОКР, делая его быстрее, дешевле и предсказуемее. Это исследование Массачусетского технологического института дает четкий план того, как ИИ может служить мощным инструментом для навигации по обширным химическим ландшафтам и определения оптимальных решений — задачи, которая ранее была неразрешимой. Именно так мы переходим от одного прорыва в вакцинах к настоящей платформе для программируемой медицины.