L'IA du MIT accélère les vaccins et thérapies à ARN
Des ingénieurs du MIT ont dévoilé une application révolutionnaire de l’intelligence artificielle, développant un modèle d’apprentissage automatique capable de concevoir des nanoparticules qui délivrent l’ARN aux cellules avec une efficacité sans précédent. Cette avancée promet d’accélérer le développement non seulement des vaccins à ARN, similaires à ceux utilisés contre le SARS-CoV-2, mais aussi d’une nouvelle génération de thérapies basées sur l’ARN pour des affections allant de l’obésité au diabète et autres troubles métaboliques.
Les vaccins à ARN et de nombreuses thérapies à ARN émergentes reposent sur des systèmes d’administration sophistiqués, généralement de minuscules sphères à base de graisse connues sous le nom de nanoparticules lipidiques (LNP). Ces nanoparticules jouent un double rôle critique : protéger l’ARN messager (ARNm) délicat de la dégradation dans le corps et faciliter son entrée dans les cellules cibles après injection. L’amélioration de l’efficacité de ces véhicules d’administration est primordiale pour créer des vaccins plus puissants et pour étendre le potentiel thérapeutique de l’ARNm, qui porte les instructions génétiques pour produire des protéines bénéfiques dans le corps.
Traditionnellement, l’optimisation des formulations de LNP a été un processus laborieux et chronophage. Un LNP typique est composé de quatre ingrédients clés : un cholestérol, un lipide auxiliaire, un lipide ionisable et un lipide attaché au polyéthylène glycol (PEG). Le nombre considérable de combinaisons possibles, résultant de l’échange de différentes variantes de chaque composant, rend les tests expérimentaux exhaustifs impraticables. Reconnaissant ce goulot d’étranglement, Giovanni Traverso, professeur agrégé de génie mécanique au MIT et auteur principal de l’étude, ainsi que les auteurs principaux Alvin Chan et Ameya Kirtane, se sont tournés vers l’intelligence artificielle.
Leur solution innovante est un nouveau modèle baptisé COMET, s’inspirant de l’architecture “transformer” qui sous-tend les grands modèles linguistiques comme ChatGPT. Alors que la plupart des modèles d’IA dans la découverte de médicaments se concentrent sur l’optimisation de composés uniques, COMET est conçu de manière unique pour comprendre comment plusieurs composants chimiques interagissent au sein d’une nanoparticule pour influencer ses propriétés, telles que sa capacité à délivrer efficacement l’ARN dans les cellules. “Ce que nous avons fait, c’est appliquer des outils d’apprentissage automatique pour aider à accélérer l’identification des mélanges d’ingrédients optimaux dans les nanoparticules lipidiques afin d’aider à cibler un type de cellule différent ou à incorporer différents matériaux, beaucoup plus rapidement qu’auparavant”, a expliqué Traverso.
Pour entraîner COMET, les chercheurs ont méticuleusement assemblé une bibliothèque d’environ 3 000 formulations de LNP distinctes. Chacune de ces particules a été testée en laboratoire pour quantifier son efficacité de délivrance d’ARN, les données résultantes étant ensuite introduites dans le modèle d’apprentissage automatique. Une fois entraîné, COMET a été chargé de prédire de nouvelles formulations qui surpasseraient les LNP existants. La validation expérimentale a confirmé la prouesse du modèle : les LNP prédits par l’IA ont démontré des performances supérieures dans la délivrance d’ARNm codant une protéine fluorescente aux cellules de peau de souris en laboratoire, dépassant même dans certains cas les formulations de LNP disponibles dans le commerce.
Les chercheurs ont en outre exploré la polyvalence de COMET. Ils ont réussi à entraîner le modèle à incorporer un cinquième composant – les poly-bêta-amino esters ramifiés (PBAE), un type de polymère connu pour sa capacité à délivrer des acides nucléiques – dans les LNP, ce qui a conduit à des prédictions pour des particules hybrides encore plus performantes. Le modèle s’est également avéré apte à prédire des LNP optimisés pour la délivrance à des types de cellules spécifiques, y compris les cellules Caco-2 dérivées du cancer colorectal. De plus, COMET pourrait prévoir quelles formulations de LNP résisteraient le mieux à la lyophilisation, un processus de lyophilisation crucial pour prolonger la durée de conservation de nombreux médicaments.
Cette méthodologie basée sur l’IA, publiée dans Nature Nanotechnology, représente un bond en avant significatif dans la découverte de médicaments, offrant un outil flexible qui peut être adapté à un large éventail de questions de recherche. L’équipe travaille maintenant activement à l’intégration de certaines de ces particules conçues par l’IA dans des traitements potentiels pour le diabète et l’obésité, y compris des mimétiques de GLP-1 similaires à des médicaments comme Ozempic. Cet effort fait partie d’un programme de recherche pluriannuel financé par l’Agence américaine des projets de recherche avancée pour la santé (ARPA-H), ciblant spécifiquement l’administration orale de traitements et de vaccins à ARN. En maximisant l’efficacité de la production de protéines dans les cellules, cette approche est très prometteuse pour le développement de nouvelles thérapies très efficaces, raccourcissant considérablement le calendrier de développement du concept à l’application clinique.