麻省理工AI加速RNA疫苗与疗法开发

麻省理工学院的工程师们揭示了一项人工智能的突破性应用：他们开发了一个机器学习模型，能够设计出以前所未有的效率将RNA递送至细胞的纳米颗粒。这项进步有望加速RNA疫苗（类似于用于对抗SARS-CoV-2的疫苗）以及新一代基于RNA的疗法的开发，这些疗法可用于治疗从肥胖到糖尿病及其他代谢紊乱等多种疾病。

RNA疫苗和许多新兴的RNA疗法都依赖于复杂的递送系统，通常是被称为脂质纳米颗粒（LNP）的微小脂肪球。这些纳米颗粒发挥着关键的双重作用：保护脆弱的信使RNA（mRNA）在体内免受降解，并促进其在注射后进入目标细胞。提高这些递送载体的效率对于开发更有效的疫苗以及扩大mRNA的治疗潜力至关重要，mRNA携带着在体内产生有益蛋白质的遗传指令。

传统上，优化LNP配方是一个艰苦且耗时的过程。典型的LNP由四种关键成分组成——胆固醇、辅助脂质、可电离脂质和与聚乙二醇（PEG）连接的脂质。由于每种成分的不同变体可以互换，可能组合的数量巨大，使得详尽的实验测试变得不切实际。麻省理工学院机械工程副教授、该研究的资深作者Giovanni Traverso以及主要作者Alvin Chan和Ameya Kirtane认识到这一瓶颈，于是转向了人工智能。

他们创新的解决方案是一个名为COMET的新模型，其灵感来源于支撑ChatGPT等大型语言模型的“Transformer”架构。虽然大多数药物发现中的AI模型专注于优化单一化合物，但COMET的独特设计在于理解纳米颗粒中多种化学成分如何相互作用以影响其特性，例如其有效将RNA递送至细胞的能力。Traverso解释说：“我们所做的是应用机器学习工具，帮助加速识别脂质纳米颗粒中的最佳成分混合物，从而更快地靶向不同的细胞类型或整合不同的材料，这比以前任何时候都快。”

为了训练COMET，研究人员精心组建了一个包含约3000种不同LNP配方的文库。这些颗粒都经过实验室测试，以量化其RNA递送效率，然后将所得数据输入机器学习模型。经过训练后，COMET的任务是预测能够超越现有LNP的新配方。实验验证证实了该模型的强大能力：AI预测的LNP在将编码荧光蛋白的mRNA递送至实验室培养皿中的小鼠皮肤细胞方面表现出卓越性能，在某些情况下甚至优于市售的LNP配方。

研究人员进一步探索了COMET的多功能性。他们成功地训练该模型将第五种成分——支化聚β-氨基酯（PBAE，一种以其递送核酸能力而闻名的聚合物）整合到LNP中，从而预测出性能更优异的混合颗粒。该模型还被证明擅长预测针对特定细胞类型（包括源自结直肠癌的Caco-2细胞）进行优化递送的LNP。此外，COMET能够预测哪些LNP配方最能耐受冻干（一种对于延长许多药物保质期至关重要的冷冻干燥过程）。

这项发表在《自然-纳米技术》上的AI驱动方法，代表着药物发现领域的一大飞跃，提供了一种灵活的工具，可适应广泛的研究问题。该团队目前正积极致力于将其中一些AI设计的颗粒整合到糖尿病和肥胖症的潜在治疗中，包括类似于Ozempic等药物的GLP-1模拟物。这项工作是美国高级健康研究计划局（ARPA-H）资助的一项多年期研究项目的一部分，专门针对RNA治疗和疫苗的口服递送。通过最大限度地提高细胞内蛋白质生产的效率，这种方法有望开发出高效的新疗法，从而极大地缩短从概念到临床应用的开发时间。