Los ingenieros del MIT utilizaron un modelo de aprendizaje automático para diseñar nanopartículas que puedan transportar ARN a las células de manera más eficiente.
Utilizando inteligencia artificial, los investigadores del MIT han ideado una nueva forma de diseñar nanopartículas que puedan administrar de forma más eficiente vacunas de ARN y otros tipos de terapias de ARN.
Tras entrenar un modelo de aprendizaje automático para analizar miles de partículas de suministro existentes, los investigadores lo utilizaron para predecir nuevos materiales que funcionarían aún mejor. El modelo también les permitió identificar partículas que funcionarían bien en diferentes tipos de células y descubrir maneras de incorporar nuevos tipos de materiales a las partículas.
“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 era posible antes”, dice Giovanni Traverso, profesor asociado de ingeniería mecánica en el MIT, gastroenterólogo en el Brigham and Women’s Hospital y autor principal del estudio.
Este enfoque podría acelerar drásticamente el proceso de desarrollo de nuevas vacunas de ARN, así como terapias que podrían utilizarse para tratar la obesidad, la diabetes y otros trastornos metabólicos, afirman los investigadores.
Alvin Chan, ex investigador postdoctoral del MIT que ahora es profesor adjunto en la Universidad Tecnológica de Nanyang, y Ameya Kirtane, ex investigador postdoctoral del MIT que ahora es profesor adjunto en la Universidad de Minnesota, son los autores principales del nuevo estudio de acceso abierto, que aparece hoy en Nature Nanotechnology .
Predicciones de partículas
Las vacunas de ARN, como las vacunas contra el SARS-CoV-2, suelen envasarse en nanopartículas lipídicas (LNP) para su administración. Estas partículas protegen el ARNm de su degradación en el organismo y facilitan su entrada en las células una vez inyectado.
La creación de partículas que realicen estas tareas con mayor eficiencia podría ayudar a los investigadores a desarrollar vacunas aún más eficaces. Mejores vehículos de administración también podrían facilitar el desarrollo de terapias de ARNm que codifiquen genes para proteínas que podrían ayudar a tratar diversas enfermedades.
En 2024, el laboratorio de Traverso lanzó un programa de investigación plurianual , financiado por la Agencia de Proyectos de Investigación Avanzada para la Salud de EE. UU. (ARPA-H), para desarrollar nuevos dispositivos ingeribles que pudieran lograr la administración oral de tratamientos y vacunas de ARN.
Parte de lo que intentamos hacer es desarrollar maneras de producir más proteínas, por ejemplo, para aplicaciones terapéuticas. Maximizar la eficiencia es importante para poder aumentar la producción celular, afirma Traverso.
Un LNP típico consta de cuatro componentes: colesterol, un lípido auxiliar, un lípido ionizable y un lípido unido al polietilenglicol (PEG). Se pueden intercambiar diferentes variantes de cada uno de estos componentes para crear una gran cantidad de combinaciones posibles. Modificar estas formulaciones y probar cada una individualmente requiere mucho tiempo, por lo que Traverso, Chan y sus colegas decidieron recurrir a la inteligencia artificial para acelerar el proceso.
“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”, afirma 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 generar datos de entrenamiento para su modelo de aprendizaje automático, los investigadores crearon una biblioteca de aproximadamente 3000 formulaciones diferentes de LNP. El equipo probó cada una de estas 3000 partículas en el laboratorio para determinar la eficiencia con la que podían transportar su carga a las células y, posteriormente, incorporó todos estos datos a un modelo de aprendizaje automático.
Tras el entrenamiento del modelo, los investigadores le pidieron que predijera nuevas formulaciones que funcionaran mejor que las LNP existentes. Probaron estas predicciones utilizando las nuevas formulaciones para administrar ARNm que codifica una proteína fluorescente a células cutáneas de ratón cultivadas en una placa de laboratorio. Descubrieron que las LNP predichas por el modelo funcionaban mejor que las partículas de los datos de entrenamiento y, en algunos casos, incluso mejor que las formulaciones de LNP que se utilizan comercialmente.
Desarrollo acelerado
Una vez que los investigadores demostraron que el modelo podía predecir con precisión las partículas que transportarían ARNm de forma eficiente, comenzaron a plantearse preguntas adicionales. Primero, se preguntaron si podrían entrenar el modelo con nanopartículas que incorporan un quinto componente: un tipo de polímero conocido como poli beta aminoésteres ramificados (PBAE).
La investigación de Traverso y sus colegas ha demostrado que estos polímeros pueden transportar ácidos nucleicos eficazmente por sí solos, por lo que querían explorar si añadirlos a las LNP podría mejorar su rendimiento. El equipo del MIT creó un conjunto de aproximadamente 300 LNP que también incluyen estos polímeros, los cuales utilizaron para entrenar el modelo. El modelo resultante pudo predecir formulaciones adicionales con PBAEs que funcionarían mejor.
A continuación, los investigadores se propusieron entrenar el modelo para predecir las LNP que funcionarían mejor en diferentes tipos de células, incluyendo un tipo de célula llamada Caco-2, derivada de células de cáncer colorrectal. Una vez más, el modelo logró predecir las LNP que transportarían ARNm eficientemente a estas células.
Por último, los investigadores utilizaron el modelo para predecir qué LNP podrían resistir mejor la liofilización, un proceso de secado por congelación que se utiliza a menudo para prolongar la vida útil de los medicamentos.
Esta herramienta nos permite adaptarla a un conjunto completamente diferente de preguntas y acelerar el desarrollo. Incorporamos un amplio conjunto de entrenamiento al modelo, pero luego se pueden realizar experimentos mucho más específicos y obtener resultados útiles para diversos tipos de preguntas, afirma Traverso.
Él y sus colegas trabajan actualmente en la incorporación de algunas de estas partículas a posibles tratamientos para la diabetes y la obesidad, dos de los principales objetivos del proyecto financiado por ARPA-H. Entre las terapias que podrían implementarse con este enfoque se incluyen imitadores de GLP-1 con efectos similares a Ozempic.
Esta investigación fue financiada por el Centro GO Nano Marble del Instituto Koch, la Cátedra de Desarrollo Profesional Karl van Tassel, el Departamento de Ingeniería Mecánica del MIT, el Hospital Brigham and Women’s y ARPA-H.
MIT. A. T. Traducido al español
