En utilisant l'intelligence artificielle, les chercheurs du MIT ont trouvé une nouvelle façon de concevoir des nanoparticules qui peuvent fournir plus efficacement les vaccins d'ARN et d'autres types de thérapies par l'ARN.
Après avoir entraîné un modèle d'apprentissage automatique pour analyser des milliers de particules de livraison existantes, les chercheurs l'ont utilisé pour prédire de nouveaux matériaux qui fonctionneraient encore mieux. Le modèle a également permis aux chercheurs d'identifier les particules qui fonctionneraient bien dans différents types de cellules et de découvrir des moyens d'incorporer de nouveaux types de matériaux dans les particules.
Ce que nous avons fait, c'est appliquer des outils d'apprentissage en machine pour aider à accélérer l'identification de mélanges d'ingrédients optimaux dans des nanoparticules lipidiques pour aider à cibler un type de cellule différent ou aider à incorporer différents matériaux, beaucoup plus rapidement que possible. «
Giovanni Traverso, professeur agrégé de génie mécanique au MIT, gastro-entérologue au Brigham and Women's Hospital, et auteur principal de l'étude
Cette approche pourrait accélérer considérablement le processus de développement de nouveaux vaccins à ARN, ainsi que des thérapies qui pourraient être utilisées pour traiter l'obésité, le diabète et d'autres troubles métaboliques, selon les chercheurs.
Alvin Chan, un ancien postdoc du MIT qui est maintenant professeur adjoint à la Nanyang Technological University, et Ameya Kirtane, un ancien MIT Postdoc qui est maintenant professeur adjoint à l'Université du Minnesota, sont les principaux auteurs de la nouvelle étude, qui apparaît aujourd'hui dans Nanotechnologie de la nature.
Prédictions des particules
Les vaccins à ARN, tels que les vaccins pour SARS-COV-2, sont généralement emballés dans des nanoparticules lipidiques (LNP) pour la livraison. Ces particules protègent l'ARNm de la décomposition dans le corps et l'aident à entrer dans les cellules une fois injectées.
La création de particules qui gèrent ces travaux plus efficacement pourrait aider les chercheurs à développer des vaccins encore plus efficaces. De meilleurs véhicules de livraison pourraient également faciliter le développement de thérapies d'ARNm qui codent pour les gènes des protéines qui pourraient aider à traiter une variété de maladies.
En 2024, le laboratoire de Traverso a lancé un programme de recherche pluriannuel, financé par la US Advanced Research Projects Agency for Health (ARPA-H), pour développer de nouveaux dispositifs ingérables qui pourraient réaliser la livraison orale de traitements et de vaccins ARN.
« Une partie de ce que nous essayons de faire est de développer des moyens de produire plus de protéines, par exemple, pour les applications thérapeutiques. La maximisation de l'efficacité est importante pour pouvoir augmenter la quantité que nous pouvons produire les cellules », explique Traverso.
Un LNP typique se compose de quatre composants – un cholestérol, un lipide d'assistance, un lipide ionisable et un lipide attaché au polyéthylène glycol (PEG). Différentes variantes de chacun de ces composants peuvent être échangées pour créer un grand nombre de combinaisons possibles. Changer ces formulations et tester chacun individuellement prend beaucoup de temps, donc Traverso, Chan et leurs collègues ont décidé de se tourner vers l'intelligence artificielle pour aider à accélérer le processus.
« La plupart des modèles d'IA dans la découverte de médicaments se concentrent sur l'optimisation d'un seul composé à la fois, mais cette approche ne fonctionne pas pour les nanoparticules lipidiques, qui sont faites de plusieurs composants en interaction », explique Chan. « Pour y aborder, nous avons développé un nouveau modèle appelé Comet, inspiré par la même architecture de transformateur qui alimente les modèles de grands langues comme Chatgpt. Tout comme ces modèles comprennent comment les mots se combinent pour former le sens, la comète apprend comment les différents composants chimiques se réunissent dans une nanoparticule pour influencer ses propriétés – comme la façon dont elle peut fournir l'ARN en cellules. »
Pour générer des données d'entraînement pour leur modèle d'apprentissage automatique, les chercheurs ont créé une bibliothèque d'environ 3 000 formulations LNP différentes. L'équipe a testé chacune de ces 3 000 particules dans le laboratoire pour voir à quel point ils pouvaient livrer efficacement leur charge utile aux cellules, puis ont nourri toutes ces données dans un modèle d'apprentissage automatique.
Après la formation du modèle, les chercheurs lui ont demandé de prédire de nouvelles formulations qui fonctionneraient mieux que les LNP existants. Ils ont testé ces prédictions en utilisant les nouvelles formulations pour fournir l'ARNm codant pour une protéine fluorescente aux cellules de la peau de souris cultivées dans un plat de laboratoire. Ils ont constaté que les LNP prédits par le modèle fonctionnaient en effet mieux que les particules des données d'entraînement, et dans certains cas mieux que les formulations LNP qui sont utilisées commercialement.
Développement accéléré
Une fois que les chercheurs ont montré que le modèle pouvait prédire avec précision les particules qui fourniraient efficacement l'ARNm, ils ont commencé à poser des questions supplémentaires. Tout d'abord, ils se sont demandé s'ils pouvaient entraîner le modèle sur les nanoparticules qui incorporent un cinquième composant: un type de polymère appelé esters amino poly bêta ramifiés (PBAE).
Des recherches de Traverso et de ses collègues ont montré que ces polymères peuvent fournir efficacement les acides nucléiques par eux-mêmes, ils voulaient donc explorer si les ajouter aux LNP pourraient améliorer les performances du LNP. L'équipe du MIT a créé un ensemble d'environ 300 LNP qui incluent également ces polymères, qu'ils ont utilisés pour former le modèle. Le modèle résultant pourrait alors prédire des formulations supplémentaires avec des PBAE qui fonctionneraient mieux.
Ensuite, les chercheurs ont décidé de former le modèle à faire des prédictions sur les LNP qui fonctionneraient le mieux dans différents types de cellules, y compris un type de cellule appelé Caco-2, qui est dérivé de cellules cancéreuses colorectales. Encore une fois, le modèle a pu prédire les LNP qui fourniraient efficacement l'ARNm à ces cellules.
Enfin, les chercheurs ont utilisé le modèle pour prédire quels LNP pourraient mieux résister à la lyophilisation – un processus de lyophilisation souvent utilisé pour étendre la durée de conservation des médicaments.
« Il s'agit d'un outil qui nous permet de l'adapter à un ensemble de questions différents et d'aider à accélérer le développement. Nous avons fait un large ensemble de formation qui est entré dans le modèle, mais vous pouvez ensuite faire des expériences beaucoup plus ciblées et obtenir des sorties utiles sur des types de questions très différents », explique Traverso.
Lui et ses collègues travaillent désormais à l'intégration de certaines de ces particules dans des traitements potentiels pour le diabète et l'obésité, qui sont deux des principales cibles du projet financé par l'ARPA-H. Les thérapies qui pourraient être livrées en utilisant cette approche comprennent les imitations GLP-1 avec des effets similaires à l'ozempic.
Cette recherche a été financée par le GO Nano Marble Center de l'Institut Koch, le professeur de développement de carrière Karl Van Tassel, le département de génie mécanique du MIT, le Brigham and Women's Hospital et l'ARPA-H.
