Usando inteligência artificial, pesquisadores do MIT criaram uma nova maneira de projetar nanopartículas que podem administrar vacinas de RNA e outros tipos de terapias de RNA de forma mais eficiente.

Após treinar um modelo de aprendizado de máquina para analisar milhares de partículas de entrega existentes, os pesquisadores o utilizaram para prever novos materiais que funcionariam ainda melhor. O modelo também permitiu aos pesquisadores identificar partículas que funcionariam bem em diferentes tipos de células e descobrir maneiras de incorporar novos tipos de materiais às partículas.

“O que fizemos foi aplicar ferramentas de aprendizado de máquina para ajudar a acelerar a identificação de misturas ideais de ingredientes em nanopartículas lipídicas para ajudar a atingir um tipo de célula diferente ou ajudar a incorporar materiais diferentes, muito mais rápido do que era possível anteriormente”, diz Giovanni Traverso, professor associado de engenharia mecânica no MIT, gastroenterologista no Brigham and Women's Hospital e autor sênior do estudo.

Essa abordagem poderia acelerar drasticamente o processo de desenvolvimento de novas vacinas de RNA, bem como terapias que poderiam ser usadas para tratar obesidade, diabetes e outros distúrbios metabólicos, dizem os pesquisadores.

Alvin Chan, ex-pós-doutorado do MIT que agora é professor assistente na Universidade Tecnológica de Nanyang, e Ameya Kirtane, ex-pós-doutorado do MIT que agora é professora assistente na Universidade de Minnesota, são os principais autores do novo estudo de acesso aberto, publicado hoje na Nature Nanotechnology .

Vacinas de RNA, como as vacinas contra SARS-CoV-2, geralmente são encapsuladas em nanopartículas lipídicas (LNPs) para administração. Essas partículas protegem o mRNA da degradação no corpo e o ajudam a entrar nas células após a injeção.

A criação de partículas que realizem essas tarefas com mais eficiência pode ajudar os pesquisadores a desenvolver vacinas ainda mais eficazes. Veículos de entrega mais eficientes também podem facilitar o desenvolvimento de terapias de mRNA que codificam genes para proteínas que podem ajudar a tratar uma variedade de doenças.

Em 2024, o laboratório de Traverso lançou um  programa de pesquisa plurianual , financiado pela Agência de Projetos de Pesquisa Avançada para Saúde dos EUA (ARPA-H), para desenvolver novos dispositivos ingeríveis que poderiam alcançar a administração oral de tratamentos de RNA e vacinas.

Um LNP típico consiste em quatro componentes — um colesterol, um lipídio auxiliar, um lipídio ionizável e um lipídio ligado ao polietilenoglicol (PEG). Diferentes variantes de cada um desses componentes podem ser trocadas para criar um enorme número de combinações possíveis. Alterar essas formulações e testar cada uma individualmente consome muito tempo, então Traverso, Chan e seus colegas decidiram recorrer à inteligência artificial para ajudar a acelerar o processo.

“A maioria dos modelos de IA na descoberta de fármacos concentra-se na otimização de um único composto por vez, mas essa abordagem não funciona para nanopartículas lipídicas, que são compostas por múltiplos componentes que interagem”, diz Chan. “Para lidar com isso, desenvolvemos um novo modelo chamado COMET, inspirado na mesma arquitetura de transformador que alimenta modelos de linguagem de grande porte como o ChatGPT. Assim como esses modelos entendem como as palavras se combinam para formar significado, o COMET aprende como diferentes componentes químicos se combinam em uma nanopartícula para influenciar suas propriedades — como a eficiência com que ela consegue transportar RNA para as células.”

Para gerar dados de treinamento para seu modelo de aprendizado de máquina, os pesquisadores criaram uma biblioteca com cerca de 3.000 formulações diferentes de LNP. A equipe testou cada uma dessas 3.000 partículas em laboratório para verificar a eficiência com que elas entregariam sua carga útil às células e, em seguida, inseriu todos esses dados em um modelo de aprendizado de máquina.

Após o treinamento do modelo, os pesquisadores solicitaram que ele previsse novas formulações que funcionariam melhor do que as LNPs existentes. Eles testaram essas previsões usando as novas formulações para fornecer mRNA que codifica uma proteína fluorescente a células de pele de camundongo cultivadas em laboratório. Eles descobriram que as LNPs previstas pelo modelo de fato funcionaram melhor do que as partículas nos dados de treinamento e, em alguns casos, melhor do que as formulações de LNP usadas comercialmente.

Assim que os pesquisadores demonstraram que o modelo conseguia prever com precisão partículas que transportariam mRNA com eficiência, eles começaram a fazer perguntas adicionais. Primeiro, eles se perguntaram se conseguiriam treinar o modelo em nanopartículas que incorporassem um quinto componente: um tipo de polímero conhecido como poli beta amino ésteres ramificados (PBAEs).

Pesquisas realizadas por Traverso e seus colegas demonstraram que esses polímeros podem efetivamente fornecer ácidos nucleicos por conta própria, então eles queriam explorar se adicioná-los a LNPs poderia melhorar o desempenho dos LNPs. A equipe do MIT criou um conjunto de cerca de 300 LNPs que também incluem esses polímeros, que eles usaram para treinar o modelo. O modelo resultante pôde então prever formulações adicionais com PBAEs que funcionariam melhor.

Em seguida, os pesquisadores treinaram o modelo para fazer previsões sobre LNPs que funcionariam melhor em diferentes tipos de células, incluindo um tipo de célula chamado Caco-2, derivado de células de câncer colorretal. Novamente, o modelo foi capaz de prever LNPs que forneceriam mRNA eficientemente a essas células.

Por fim, os pesquisadores usaram o modelo para prever quais LNPs resistiriam melhor à liofilização — um processo de liofilização frequentemente usado para estender a vida útil dos medicamentos.

Ele e seus colegas estão agora trabalhando na incorporação de algumas dessas partículas em potenciais tratamentos para diabetes e obesidade, que são dois dos principais alvos do projeto financiado pela ARPA-H. Terapias que poderiam ser administradas usando essa abordagem incluem mimetizadores de GLP-1 com efeitos semelhantes ao Ozempic.

Esta pesquisa foi financiada pelo GO Nano Marble Center no Instituto Koch, pela Cátedra de Desenvolvimento de Carreira Karl van Tassel, pelo Departamento de Engenharia Mecânica do MIT, pelo Brigham and Women's Hospital e pela ARPA-H.