به گزارش خبرگزاری صدا و سیما، مهندسان MIT یک مدل یادگیری ماشین را آموزش دادند تا هزاران ذره موجود در سیستم‌های انتقال RNA را تحلیل کند. سپس این مدل توانست ترکیبات جدیدی را پیش‌بینی کند که عملکرد بهتری نسبت به ذرات موجود دارند. همچنین محققان دریافتند این مدل قادر است ذراتی را شناسایی کند که در انواع مختلف سلول‌ها بهتر عمل می‌کنند و حتی امکان افزودن مواد جدید به این ذرات را فراهم می‌سازد.

جیووانی تراورسـو، استاد مهندسی مکانیک در MIT و نویسنده ارشد این مطالعه می‌گوید:
«آنچه انجام دادیم، به‌کارگیری ابزارهای یادگیری ماشین برای شتاب دادن به شناسایی ترکیب‌های بهینه در نانوذرات لیپیدی بود؛ به‌گونه‌ای که بتوان سلول‌های مختلف را هدف قرار داد یا مواد جدیدی را وارد این ذرات کرد، بسیار سریع‌تر از آنچه قبلاً ممکن بود.»

این پژوهشگران معتقدند رویکرد جدید می‌تواند فرآیند تولید واکسن‌های RNA را تسریع کند و راه را برای درمان‌هایی علیه بیماری‌هایی چون چاقی و دیابت هموار سازد.

RNA و نانوذرات لیپیدی

واکسن‌های RNA، مانند واکسن کرونا، معمولاً در نانوذرات لیپیدی (LNPs) بسته‌بندی می‌شوند. این ذرات از تخریب RNA در بدن جلوگیری کرده و به ورود آن به سلول‌ها کمک می‌کنند. ایجاد نانوذراتی که این وظایف را کارآمدتر انجام دهند، می‌تواند اثربخشی واکسن‌ها را افزایش دهد و همچنین توسعه درمان‌های جدید RNA را امکان‌پذیرتر سازد.

تراورسـو و همکارانش در سال ۲۰۲۴ پروژه‌ای چندساله با حمایت «آژانس پروژه‌های پژوهشی پیشرفته سلامت» (ARPA-H) آغاز کردند تا دستگاه‌های خوراکی نوینی برای رساندن درمان‌ها و واکسن‌های RNA توسعه دهند.

او می‌گوید: «یکی از اهداف ما تولید بیشتر پروتئین برای کاربردهای درمانی است. افزایش کارایی برای اینکه سلول‌ها بتوانند مقادیر بیشتری از این پروتئین‌ها تولید کنند، بسیار اهمیت دارد.»

مدل هوش مصنوعی «COMET»

هر نانوذره لیپیدی معمولاً از چهار جزء اصلی ساخته می‌شود: کلسترول، یک لیپید کمکی، یک لیپید یونی و یک لیپید متصل به پلی‌اتیلن‌گلیکول (PEG). تغییر این اجزا ترکیبات بی‌شماری ایجاد می‌کند که آزمودن تک‌تک آن‌ها بسیار زمان‌بر است.

آلوین چان، یکی از نویسندگان اصلی و پژوهشگر پیشین MIT، می‌گوید:
«مدل‌های رایج هوش مصنوعی در کشف دارو، معمولاً روی یک ترکیب واحد تمرکز می‌کنند. اما این روش برای نانوذرات لیپیدی که از اجزای متعددی تشکیل شده‌اند، کارآمد نیست. برای همین، ما مدلی جدید به نام COMET توسعه دادیم که بر پایه همان معماری ترنسفورمری ساخته شده که مدل‌های زبانی بزرگ مثل ChatGPT را توانمند می‌سازد. همان‌طور که آن مدل‌ها درک می‌کنند کلمات چگونه کنار هم معنا می‌سازند، COMET هم می‌آموزد اجزای شیمیایی مختلف چگونه با هم در یک نانوذره تعامل می‌کنند تا ویژگی‌هایش را شکل دهند، مثل اینکه چقدر در انتقال RNA به سلول‌ها موفق است.»

برای آموزش مدل، تیم پژوهشی حدود ۳ هزار ترکیب نانوذره را در آزمایشگاه بررسی کرد و کارایی هرکدام در انتقال RNA به سلول‌ها را سنجید. داده‌های به‌دست‌آمده به مدل داده شد تا ترکیبات برتر را پیش‌بینی کند.

آزمایش‌ها نشان دادند که ترکیبات پیشنهادی مدل عملکردی بهتر از بسیاری از ذرات متداول داشتند و حتی در مواردی از فرمولاسیون‌های تجاری هم مؤثرتر بودند.

گسترش قابلیت‌های مدل

پژوهشگران سپس بررسی کردند که آیا مدل می‌تواند ذراتی با یک جزء پنجم، یعنی پلیمرهای شاخه‌ای «پلی بتا آمینو استر» (PBAEs)، پیش‌بینی کند. این پلیمرها پیش‌تر توانسته بودند به‌تنهایی RNA را منتقل کنند. تیم MIT حدود ۳۰۰ فرمول جدید با این پلیمرها ساخت و به مدل آموزش داد و نتیجه نشان داد ترکیبات تازه عملکرد بهتری دارند.

گام بعدی، آموزش مدل برای شناسایی ذراتی بود که در انواع سلول‌های خاص، مانند سلول‌های روده (Caco-2) کارایی بالاتری دارند. نتایج مثبت نشان داد مدل می‌تواند برای طراحی ذرات اختصاصی نیز استفاده شود.

علاوه بر این، پژوهشگران از مدل برای یافتن نانوذراتی استفاده کردند که فرآیند «خشک‌کردن انجمادی» (لیوفیلیزاسیون) را بهتر تحمل می‌کنند، فرآیندی که اغلب برای افزایش ماندگاری داروها به کار می‌رود.

چشم‌انداز آینده

تراورسـو می‌گوید: «این ابزار به ما امکان می‌دهد پرسش‌های بسیار متفاوتی را مطرح کنیم و با آزمایش‌های محدودتر، به پاسخ‌های دقیق‌تر برسیم. این یعنی روند توسعه را می‌توان به‌طور چشمگیری تسریع کرد.»

اکنون تیم MIT مشغول کار روی استفاده از این ذرات در درمان‌های بالقوه برای دیابت و چاقی است؛ بیماری‌هایی که جزو اهداف اصلی پروژه ARPA-H محسوب می‌شوند. درمان‌هایی مانند «شبیه‌سازهای GLP-1» که اثری مشابه داروهایی چون Ozempic دارند، از جمله گزینه‌های پیش‌رو هستند.

 این مطالعه در نشریه Nature Nanotechnology منتشر شده است.