מהנדסים ביו -רפואיים באוניברסיטת דיוק פיתחו פלטפורמה המשלבת טכניקות מעבדה רטובות אוטומטיות עם בינה מלאכותית (AI) לתכנון חלקיקים ננו למסירת תרופות. הגישה עשויה לעזור לחוקרים לספק טיפול תרופתי קשה ליעילות וביעילות רבה יותר.
בהוכחה למושג, הצוות השתמש בפלטפורמה כדי ליצור חלקיקים ננו המסוגלים לספק טיפול קשה לכיוון לוקמיה ולייעל את העיצוב של ננו-חלקיק שני נגד סרטן.
המחקר הופיע ב -14 בספטמבר בכתב העת ACS Nanoו
כלים מבוססי AI שינו את הנוף לפיתוח תרופות בכך שאפשרו לחוקרים לחזות טוב יותר את התכונות הביולוגיות, הכימיות והפיזיקליות של מולקולות טיפוליות פוטנציאליות. אמנם גישה זו הצליחה מספיק כדי לזהות מועמדים לתרופות המתקדמים כיום באמצעות ניסויים קליניים, אך רוב הפלטפורמות הללו מתמקדות רק בגילוי תרופות בשלב מוקדם.
מציאת המולקולה הנכונה היא רק מחצית הקרב, עם זאת, מכיוון שעדיין יש למסור תרופה חדשה למיקום הנכון. אולם השימוש ב- AI בשלבים מאוחרים יותר של פיתוח תרופות, מה שיכול לעזור לחוקרים לייעל את מנגנוני הבטיחות והלידה של הניסוח, עדיין לא נחקר יחסית.
"כשאתה יוצר חלקיק ננו, כמה טוב זה עובד לא תלוי רק במתכון, אלא גם בכמות המרכיבים השונים, כולל התרופה הפעילה והן בחומרים לא פעילים", אמר זילו ג'אנג, סטודנט לתואר שלישי במעבדה של דניאל Reker, עוזר פרופסור ל- BME. "פלטפורמות AI קיימות יכולות להתמודד רק עם זו או אחרת, מה שמגביל את היעילות הכללית שלהן."
לדוגמה, החוקרים פיתחו מספר מודלים של למידת מכונות כדי להאיץ את עיצוב החלקיקים על ידי שיפור תהליך בחירת החומרים. מערכות אלה מאומנות באמצעות מערכי נתונים גדולים עם יחסי חומר קבועים, אך קשיחות זו מונעת גם את האלגוריתמים ללמוד כיצד יחסי חומרים שונים יכולים להפוך את מערכות המסירה הללו ליעילות יותר.
AI יכול לעזור לנו לזהות מולקולות מסירה מבטיחות, אך אם אתה לא מערבב אותן עם התרופה ביחס מסוים, הם לא ייווצרו חלקיקי ננו יציבים. אם נוכל לזהות את יחסי התערובת האופטימליים, נוכל ליצור את החלקיקים ולשמור על יציבותם. "
דניאל Reker, עוזר פרופסור ל- BME
מלבד חוסר יכולת לקחת בחשבון גם את המרכיבים וגם בכמויותיהם, הגישות הנוכחיות מתמודדות גם עם אתגרים אחרים. פלטפורמות AI מורכבות יותר טובות בזיהוי מאפיינים ויחס יעיל, אך הן דורשות מערכי נתונים מסיביים לצורך הכשרה אפקטיבית. ובעוד שגישות פשוטות יותר יכולות להשתמש במערכי נתונים קטנים יותר, הן נאבקות כדי להבדיל בין חומרים דומים.
Reker ו- Zhang מקווים להתמודד עם אתגרים אלה באמצעות פלטפורמת הננו-חלקיקים החדשה שלהם בהנחיית AI, הנקראת Tuna-Ai. בעזרת פלטפורמת טיפול נוזלית אוטומטית, הצוות יצר מערך נתונים של 1275 ניסוחים מובחנים המורכבים ממולקולות ותמציות טיפוליות שונות, שהם חומרים לא פעילים כמו חומרי צביעה, חומרים משמרים ומולקולות אחרות המשפרות את התכונות והספיגה הפיזית של התרופה.
ג'אנג אמר כי "על ידי שימוש ברובוטיקה הצלחנו לשלב מרכיבים רבים ושונים במתכונים רבים ושונים מאוד באופן שיטתי." "מודל ה- AI שלנו הצליח להסתכל על נתונים אלה כיצד חומרים שונים מתפקדים בתנאים שונים ולהוציא את הידע הזה כדי לבחור ננו -חלקיק אופטימלי."
הצוות מצא כי המודל הטונה-איי שלהם הביא לעלייה של 42.9 אחוזים בהיווצרות ננו-חלקיקים מוצלחת בהשוואה לגישות סטנדרטיות. כהוכחה למושג, הם הראו כי הפלטפורמה שלהם יכולה לנסח בהצלחה ננו -חלקיק שעטור בצורה יעילה יותר את Venetoclax, כימותרפיה המשמשת לטיפול בלוקמיה. חלקיקי הננו של Venetoclax הראו שיפור מסיסות והצליחו לעצור בצורה יעילה יותר את צמיחת תאי הלוקמיה במעבדה בהשוואה לתרופה הלא מעורפלת בלבד.
במבחן מקרה שני, הפלטפורמה המודרכת ב- AI שלהם צמצמה גם את השימוש בתעופה שעלולה להיות מסרטנת על ידי 75 אחוז בניסוח התרופה הכימותרפית השנייה תוך שמירה על יעילות התרופה ושיפור חלוקת הביולוגיות שלה במודלים של עכברים.
ג'אנג אמר כי "הראינו שניתן להשתמש בטונה-איי לא רק כדי לזהות חלקיקים חדשים, אלא גם לייעל את החומרים הקיימים כדי להפוך אותם לבטוחים יותר".
מעבר להרחבת הפלטפורמה שלהם לעיבוד סוגים אחרים של חומרים ביולוגיים ליישומים טיפוליים ואבחון שונים, הצוות משתף פעולה באופן פעיל עם חוקרים ורופאים הן בתוך הדוכס ומחוצה לו כדי להשתמש בפלטפורמה זו כדי לשפר את מסירת התרופות למחלות קשות לטיפול.
"פלטפורמה זו היא צעד יסודי גדול לעיצוב ואופטימיזציה של חלקיקי ננו ליישומים טיפוליים", אמר Reker. "עכשיו, אנו שמחים להסתכל קדימה ולטפל במחלות על ידי הפיכת טיפולים קיימים וחדשים ליעילים ובטוחים יותר."
מחקר זה נתמך על ידי המכון הלאומי לבריאות NIGMS Grant (R35GM151255), מתקן המכשור לחומרים של אוניברסיטת דיוק (SMIF), חבר משולש המחקר הצפוני של קרוליינה משולש ננו-טכנולוגיה (RTNN), אשר נתמך על ידי האינפראד הלאומי (מספר הפרס ECCS-2025064).
