Σύνοψη
- Ερευνητές του MIT χρησιμοποίησαν τεχνητή νοημοσύνη για να σχεδιάσουν πιο θερμοανθεκτικά εμβόλια mRNA.
- Η νέα μέθοδος επέτρεψε σε εμβόλια να παραμείνουν σταθερά για έναν χρόνο σε θερμοκρασία δωματίου.
- Σε θερμοκρασία 37°C, τα σκευάσματα διατήρησαν τη δραστικότητά τους για περισσότερο από δύο μήνες.
- Η AI χρειάστηκε μόλις έξι κύκλους βελτιστοποίησης μέσα σε έναν μήνα, αντί για μήνες δοκιμών με πολύ μεγαλύτερο αριθμό συνδυασμών.
- Τα εμβόλια δοκιμάστηκαν σε τρωκτικά και μη ανθρώπινα πρωτεύοντα και προκάλεσαν ανοσολογική απόκριση συγκρίσιμη με φρέσκα σκευάσματα.
- Η τεχνολογία μπορεί να ανοίξει τον δρόμο για εμβόλια mRNA που μεταφέρονται χωρίς την αυστηρή «αλυσίδα ψύξης» που απαιτούν σήμερα.
- Η έρευνα είναι ακόμη προκλινική και δεν σημαίνει ότι τα νέα εμβόλια είναι έτοιμα για χρήση σε ανθρώπους.
Η τεχνητή νοημοσύνη μπαίνει σε ένα από τα πιο δύσκολα προβλήματα της τεχνολογίας των εμβολίων: πώς θα διατηρείται το mRNA σταθερό χωρίς να χρειάζεται συνεχώς βαθιά ψύξη. Ερευνητές του MIT χρησιμοποίησαν έναν αλγόριθμο μηχανικής μάθησης για να βρουν τον κατάλληλο συνδυασμό συστατικών που προστατεύει τα σωματίδια τα οποία μεταφέρουν το mRNA, δημιουργώντας σκευάσματα που παρέμειναν σταθερά για έναν χρόνο σε θερμοκρασία δωματίου και για περισσότερο από δύο μήνες στους 37°C.
Η εξέλιξη μπορεί να έχει τεράστια σημασία όχι επειδή η AI «ανακάλυψε ένα νέο εμβόλιο», αλλά επειδή μπορεί να αφαιρέσει ένα από τα μεγαλύτερα πρακτικά εμπόδια για τη μαζική διάδοση της τεχνολογίας mRNA.
Το μεγάλο πρόβλημα του mRNA είναι η θερμοκρασία
Το mRNA είναι ένα ιδιαίτερα ευαίσθητο μόριο. Για να προστατευτεί και να μπορέσει να φτάσει στα κύτταρα, τοποθετείται μέσα σε λιπιδικά νανοσωματίδια (LNPs), δηλαδή εξαιρετικά μικρά σωματίδια από λιπίδια που λειτουργούν σαν «όχημα μεταφοράς» του γενετικού υλικού. Τα εμβόλια mRNA που χρησιμοποιήθηκαν κατά της COVID-19 έδειξαν πόσο αποτελεσματική μπορεί να είναι αυτή η τεχνολογία, αλλά ταυτόχρονα ανέδειξαν και το πρόβλημα της αποθήκευσης.
Οι σημερινές τεχνολογίες απαιτούν χαμηλές θερμοκρασίες, σε ορισμένες περιπτώσεις από -20 έως -80°C, γεγονός που αυξάνει σημαντικά την πολυπλοκότητα και το κόστος της μεταφοράς. Σε χώρες ή περιοχές όπου δεν υπάρχει αξιόπιστη υποδομή ψύξης, αυτό μπορεί να περιορίσει την πρόσβαση σε τέτοιου είδους εμβόλια.
Το πρόβλημα δεν είναι μόνο οικονομικό. Όσο περισσότερες ειδικές συνθήκες χρειάζεται ένα εμβόλιο για να μεταφερθεί και να αποθηκευτεί, τόσο δυσκολότερο γίνεται να φτάσει γρήγορα σε απομακρυσμένες περιοχές, ιδιαίτερα σε περιόδους επιδημιών ή πανδημιών.
Η AI δεν σχεδίασε το mRNA – βρήκε τη σωστή «συνταγή»
Εδώ βρίσκεται η πιο ενδιαφέρουσα πλευρά της έρευνας. Οι επιστήμονες δεν έδωσαν στην AI την εντολή να σχεδιάσει από το μηδέν ένα νέο εμβόλιο.
Αντίθετα, χρησιμοποίησαν ένα σύστημα που ονομάζεται AGENT (Algorithm-Guided Experimental design for lipid Nanoparticle Thermostabilization). Πρόκειται για ένα πλαίσιο που συνδυάζει πειράματα υψηλής απόδοσης με Bayesian optimization, μια μέθοδο που επιλέγει κάθε φορά το επόμενο πείραμα με βάση τα αποτελέσματα των προηγούμενων.
Η λογική είναι σχετικά απλή. Οι ερευνητές δοκιμάζουν ορισμένους συνδυασμούς συστατικών, η AI αναλύει τα αποτελέσματα και προβλέπει ποιοι άλλοι συνδυασμοί έχουν περισσότερες πιθανότητες να οδηγήσουν σε καλύτερη σταθερότητα. Στη συνέχεια γίνονται νέα πειράματα και τα αποτελέσματα επιστρέφουν στο σύστημα, ώστε να βελτιώσει ξανά την πρόβλεψή του.
Με αυτόν τον τρόπο, αντί οι επιστήμονες να δοκιμάζουν έναν τεράστιο αριθμό πιθανών συνταγών, η AI περιορίζει γρήγορα την αναζήτηση στις πιο υποσχόμενες.
Από μήνες δοκιμών σε έξι κύκλους
Η διαφορά στην ταχύτητα ήταν σημαντική. Η ομάδα του MIT ανέλυσε σχεδόν 50 εγκεκριμένα από τον FDA βοηθητικά συστατικά, γνωστά ως excipients, τα οποία μπορούν να προστεθούν στα λιπιδικά νανοσωματίδια για να βελτιώσουν τη σταθερότητα του mRNA.
Αρχικά αξιολογήθηκε πόσο καλά κάθε συστατικό προστάτευε το mRNA. Στη συνέχεια επιλέχθηκαν πέντε από τα πιο υποσχόμενα και ο αλγόριθμος άρχισε να προτείνει τις αναλογίες στις οποίες θα έπρεπε να συνδυαστούν.
Η τελική διαδικασία ολοκληρώθηκε σε έξι κύκλους βελτιστοποίησης μέσα σε περίπου έναν μήνα. Οι ερευνητές αναφέρουν ότι πριν από τη χρήση της AI είχαν περάσει μήνες δοκιμάζοντας διαφορετικούς συνδυασμούς χωρίς να καταφέρουν να φτάσουν στην απαιτούμενη σταθερότητα.
Αυτό είναι ίσως το σημαντικότερο αποτέλεσμα της μελέτης: η AI δεν αντικατέστησε το εργαστήριο. Έκανε το εργαστήριο πολύ πιο αποδοτικό.
Το εμβόλιο άντεξε στους 37°C
Μετά την επιλογή της κατάλληλης σύνθεσης, οι ερευνητές χρησιμοποίησαν τα λιπιδικά νανοσωματίδια για να μεταφέρουν mRNA που κωδικοποιεί αντιγόνο του SARS-CoV-2.
Τα σκευάσματα υποβλήθηκαν σε διαδικασία ξήρανσης και στη συνέχεια αποθηκεύτηκαν είτε σε θερμοκρασία δωματίου για έναν χρόνο είτε στους 37°C για περισσότερο από δύο μήνες. Παρά την αποθήκευση, διατήρησαν τη δραστικότητά τους.
Όταν χορηγήθηκαν σε ζώα, τα εμβόλια προκάλεσαν ανοσολογικές αποκρίσεις που ήταν συγκρίσιμες με εκείνες φρέσκων εμβολίων. Η μελέτη αναφέρει αντίστοιχα αποτελέσματα σε τρωκτικά και μη ανθρώπινα πρωτεύοντα.
Οι ερευνητές κατάφεραν επίσης να χρησιμοποιήσουν τη νέα σύνθεση σε patch μικροβελονών. Πρόκειται για μικρά επιθέματα με εκατοντάδες εξαιρετικά μικρές βελόνες που διαλύονται όταν εφαρμόζονται στο δέρμα και απελευθερώνουν το εμβόλιο. Και αυτή η προσέγγιση προκάλεσε ανοσολογική απόκριση στα πειραματόζωα.
Θα μπορούσε να αλλάξει τον τρόπο που μεταφέρονται τα εμβόλια
Εάν η τεχνολογία αποδειχθεί ασφαλής και αποτελεσματική και σε ανθρώπους, η αλλαγή θα μπορούσε να είναι σημαντική.
Ένα εμβόλιο που δεν χρειάζεται βαθιά ψύξη μπορεί να μεταφέρεται και να αποθηκεύεται ευκολότερα, με μικρότερη εξάρτηση από ειδικά ψυγεία και από μια συνεχή αλυσίδα ελεγχόμενης θερμοκρασίας. Αυτό θα μπορούσε να διευκολύνει τη διανομή όχι μόνο εμβολίων κατά της COVID-19, αλλά και μελλοντικών εμβολίων mRNA για άλλες λοιμώξεις, ακόμη και για ορισμένες μορφές καρκίνου. Το MIT σημειώνει επίσης ότι η ίδια προσέγγιση μπορεί να εφαρμοστεί σε άλλες θεραπείες που βασίζονται σε RNA και σε προηγμένες τεχνολογίες μεταφοράς φαρμάκων.
Ακόμη πιο ενδιαφέρουσα είναι η δυνατότητα συνδυασμού με τα επιθέματα μικροβελονών. Αν ένα εμβόλιο μπορεί να αποθηκεύεται σε στερεά μορφή και να χορηγείται μέσω ενός μικρού επιθέματος, αλλάζει σημαντικά και η πρακτική διαδικασία του εμβολιασμού.
Δεν είναι ακόμη «εμβόλιο AI για ανθρώπους»
Παρά τους εντυπωσιακούς αριθμούς, χρειάζεται μια σημαντική διευκρίνιση. Η μελέτη δεν αποδεικνύει ότι έχουμε πλέον ένα νέο εμβόλιο έτοιμο για ανθρώπινη χρήση.
Η AI χρησιμοποιήθηκε για να βελτιστοποιήσει τη σύνθεση των λιπιδικών νανοσωματιδίων και τη θερμική σταθερότητα του σκευάσματος. Τα αποτελέσματα που δημοσιεύθηκαν αφορούν προκλινικά πειράματα και όχι κλινικές δοκιμές σε ανθρώπους.
Αυτό όμως δεν μειώνει τη σημασία της τεχνολογίας. Η πραγματική καινοτομία βρίσκεται στη διαδικασία: ένας αλγόριθμος μπορεί να μαθαίνει από μικρό αριθμό πειραμάτων και να καθοδηγεί τους επιστήμονες προς τις πιο υποσχόμενες επιλογές, περιορίζοντας δραστικά τον χρόνο που απαιτείται για να βρεθεί μια λειτουργική σύνθεση.
Η AI γίνεται εργαλείο για το ίδιο το εργαστήριο
Η έρευνα του MIT δείχνει μια διαφορετική πλευρά της τεχνητής νοημοσύνης στη βιοϊατρική. Δεν μιλάμε απλώς για ένα μοντέλο που προβλέπει μια πρωτεΐνη ή αναλύει έναν τεράστιο όγκο ιατρικών δεδομένων.
Εδώ η AI μπαίνει μέσα στον κύκλο πρόβλεψη → πείραμα → αποτέλεσμα → νέα πρόβλεψη και βοηθά τους επιστήμονες να αποφασίσουν ποιο πείραμα αξίζει να γίνει στη συνέχεια. Όσο περισσότερες τέτοιες διαδικασίες αυτοματοποιούνται, τόσο περισσότερο η AI μπορεί να μειώσει τον χρόνο και το κόστος που απαιτούνται για την ανάπτυξη νέων βιοϊατρικών τεχνολογιών.
Και στην περίπτωση των εμβολίων mRNA, το αποτέλεσμα μπορεί να είναι ιδιαίτερα σημαντικό: όχι ένα εμβόλιο που σχεδιάστηκε από την AI, αλλά μια τεχνολογία που μπορεί να κάνει τα εμβόλια mRNA πολύ πιο εύκολα στη μεταφορά, στην αποθήκευση και τελικά στην πρόσβαση από περισσότερους ανθρώπους.
