Investigadores del MIT han desarrollado un modelo basado en IA para diseñar nanopartículas para una administración más eficiente de vacunas de ARN, lo que promete un desarrollo más rápido de tratamientos críticos para enfermedades metabólicas y virales.
Investigadores del MIT han sido pioneros en un nuevo enfoque que utiliza inteligencia artificial para diseñar nanopartículas más eficientes para la administración de vacunas y terapias de ARN. Este innovador método podría acelerar significativamente la creación de nuevos tratamientos basados en ARN para diversas enfermedades, como la obesidad y la diabetes.
Al entrenar un modelo de aprendizaje automático para analizar miles de partículas de suministro existentes, el equipo del MIT ha desarrollado un sistema predictivo para identificar y crear nanopartículas que funcionan mejor que las actuales.
Estas nanopartículas pueden mejorar potencialmente la eficacia de las vacunas de ARN y otras terapias de ARN al garantizar una mejor entrega a las células y proteger el ARN de la degradación.
“Lo que hicimos fue aplicar herramientas de aprendizaje automático para ayudar a acelerar la identificación de mezclas óptimas de ingredientes en nanopartículas lipídicas para ayudar a apuntar a un tipo de célula diferente o ayudar a incorporar diferentes materiales, mucho más rápido de lo que antes era posible”, dijo en un comunicado de prensa el autor principal Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT y gastroenterólogo en el Brigham and Women's Hospital.
El estudio, publicado En Nature Nanotechnology, el proyecto estuvo encabezado por Alvin Chan, ex investigador postdoctoral del MIT y ahora profesor adjunto en la Universidad Tecnológica de Nanyang, y Ameya Kirtane, ex investigador postdoctoral del MIT y ahora profesor adjunto en la Universidad de Minnesota.
Esta investigación innovadora tiene el potencial de revolucionar la forma en que se desarrollan y administran las terapias de ARN.
Avanzando en la administración de ARN con aprendizaje automático
Las vacunas de ARN, como las desarrolladas para el SARS-CoV-2, suelen administrarse mediante nanopartículas lipídicas (LNP). Estas partículas son esenciales para proteger el ARNm de su degradación en el organismo y facilitar su entrada en las células.
El equipo de Traverso desarrolló un novedoso modelo de IA llamado COMET para mejorar la eficiencia de estos sistemas de entrega.
“La mayoría de los modelos de IA en el descubrimiento de fármacos se centran en optimizar un solo compuesto a la vez, pero ese enfoque no funciona con las nanopartículas lipídicas, que están compuestas de múltiples componentes que interactúan”, añadió Chan. “Para abordar esto, desarrollamos un nuevo modelo llamado COMET, inspirado en la misma arquitectura de transformador que impulsa grandes modelos de lenguaje como ChatGPT. Así como estos modelos comprenden cómo las palabras se combinan para formar significado, COMET aprende cómo se combinan los diferentes componentes químicos en una nanopartícula para influir en sus propiedades, como su capacidad para transportar ARN a las células”.
Para crear el modelo, los investigadores generaron una biblioteca de aproximadamente 3,000 formulaciones de LNP. Las probaron en el laboratorio para determinar su eficiencia en la administración de ARN a las células y utilizaron los datos para entrenar el modelo de aprendizaje automático.
Cuando probaron las formulaciones previstas por la IA, descubrieron que superaban a las LNP existentes, incluidas las utilizadas comercialmente.
Ampliando los horizontes
Los investigadores también experimentaron con la adición de nuevos materiales, como ésteres de poli-beta-amino ramificados (PBAE), a las LNP.
Descubrieron que estos polímeros pueden transportar ácidos nucleicos con éxito por sí solos.
Además, el modelo de IA pudo predecir qué nanopartículas entregarían mejor el ARN a diferentes tipos de células, incluidas las células de cáncer colorrectal, y cuáles resistirían la liofilización, un proceso de secado por congelación utilizado para extender la vida útil de los medicamentos.
“Esta herramienta nos permite adaptarla a un conjunto completamente diferente de preguntas y acelerar el desarrollo”, añadió Traverso. “Introdujimos un amplio conjunto de entrenamiento en el modelo, pero luego se pueden realizar experimentos mucho más específicos y obtener resultados útiles para diversos tipos de preguntas”.
Las implicaciones de esta investigación son significativas. Al agilizar el proceso de desarrollo de terapias de ARN, esta tecnología podría allanar el camino para nuevos tratamientos para diversas enfermedades, con mayor precisión y rapidez.
Directrices para el futuro
El equipo continúa trabajando en la integración de estos avances en posibles tratamientos para la diabetes y la obesidad como parte de un proyecto financiado por la Agencia de Proyectos de Investigación Avanzada para la Salud de Estados Unidos (ARPA-H).
Este enfoque podría ser particularmente transformador para el desarrollo de terapias como los imitadores de GLP-1, similares a los que se utilizan en tratamientos como Ozempic.
Fuente: MIT