MIT AI助攻RNA疫苗開發更快更精準

zero comment

人工智能助力加快RNA疫苗及其他RNA療法的研發

麻省理工學院（MIT）的工程師利用機器學習模型，設計出能更有效將RNA遞送到細胞的納米粒子。

通過訓練機器學習模型分析數千種現有的遞送粒子，研究團隊成功預測出性能更佳的新材料。該模型還幫助他們識別出能在不同細胞類型中表現優異的粒子，並發現將新型材料融入納米粒子的方法。

「我們應用了機器學習工具，加速尋找最佳脂質納米粒子成分組合，從而更快地針對不同細胞類型或整合不同材料，這是以前難以實現的速度。」機械工程副教授、布萊根婦女醫院腸胃科醫生、該研究的資深作者喬凡尼·特拉維索（Giovanni Traverso）說。

研究人員表示，這種方法有望大幅縮短新型RNA疫苗及治療肥胖、糖尿病等代謝疾病的RNA療法的研發周期。

前MIT博士後、現南洋理工大學助理教授陳偉霖（Alvin Chan）和前MIT博士後、現明尼蘇達大學助理教授阿米亞·基爾坦（Ameya Kirtane）為該研究的主要作者。該研究於今日發表在《自然納米技術》期刊。

納米粒子預測新突破

RNA疫苗（如新冠病毒疫苗）通常包裹在脂質納米粒子（LNP）中遞送，這些粒子能保護mRNA避免在體內被分解，並協助其進入細胞。提高這些納米粒子的遞送效率，將有助研發更有效的疫苗和mRNA基因療法，涵蓋多種疾病治療。

2024年，特拉維索實驗室啟動一項多年的研究計劃，獲美國先進研究項目署健康部門（ARPA-H）資助，致力開發可口服的RNA治療及疫苗遞送裝置。

「我們部分目標是提升蛋白質產量，以促進治療效果。最大化遞送效率對提升細胞產蛋白能力至關重要。」特拉維索說。

一個典型的LNP由膽固醇、輔助脂質、可離子化脂質和聚乙二醇（PEG）脂質四部分組成。不同組件的多種變體組合成千上萬，逐一測試耗時甚巨。於是，特拉維索、陳偉霖及團隊決定用人工智能加快篩選過程。

「大多數藥物發現的AI模型側重單一化合物優化，但LNP由多種互動組件構成，這種方法不適用。」陳偉霖說。「我們開發了名為COMET的新模型，靈感源自大型語言模型（如ChatGPT）的變壓器架構。正如這些模型理解詞語如何組合成意義，COMET學習不同化學組件如何在納米粒子中相互作用，影響其RNA遞送效率。」

研究團隊製作了約3000種不同LNP配方庫，並實驗測試每種粒子向細胞遞送RNA的效率，將數據餵入機器學習模型。訓練完成後，模型成功預測出性能優於現有粒子的配方。用這些新配方製成的LNP在實驗中遞送編碼螢光蛋白的mRNA至小鼠皮膚細胞，效果優於訓練數據中的粒子，甚至超越部分商用配方。

研發速度大幅提升

確認模型能準確預測高效遞送mRNA的粒子後，研究團隊進一步探索：

首先，他們讓模型學習包含第五組件——一種分支型聚β氨基酯（PBAEs）聚合物的納米粒子。此前研究顯示PBAEs本身可有效遞送核酸，團隊希望將其加入LNP提升性能。MIT團隊製作約300種含PBAEs的LNP，訓練模型後，能預測出更多性能更佳的配方。

接著，團隊訓練模型預測適合不同細胞類型的LNP，包括來源於結直腸癌細胞的Caco-2細胞。模型成功預測出能高效遞送mRNA給這些細胞的粒子。

最後，模型還被用來預測哪些LNP更能耐受凍乾（冷凍乾燥）過程，這是延長藥物保存期限的常用技術。

「這工具讓我們能針對不同問題調整模型，從大規模訓練到精準實驗，獲得多樣化且有用的結果，加速研發流程。」特拉維索說。

目前，研究團隊正嘗試將這些納米粒子應用於糖尿病與肥胖症治療，這也是ARPA-H資助計劃的主要方向。未來療法可能包括模仿Ozempic（GLP-1類似物）的藥物。

本研究獲得Koch研究所GO Nano Marble中心、Karl van Tassel職業發展教授席、MIT機械工程系、布萊根婦女醫院及ARPA-H資助。

—

編輯評論與深入分析

這項MIT團隊利用人工智能加速RNA疫苗和療法遞送系統研發的突破，展現了AI在生物醫學領域的強大應用潛力。傳統上，納米粒子的設計和優化是一個複雜且耗時的過程，涉及大量化學組分和試驗。COMET模型如同語言模型般「理解」化學組件間的複雜交互，為納米粒子設計帶來質的飛躍。