استخدم مهندسون من معهد ماساتشوستس للتكنولوجيا (MIT) نموذجًا للتعلم الآلي لتصميم جسيمات نانوية يمكنها إيصال الحمض النووي الريبي (RNA) إلى الخلايا بشكل أكثر كفاءة.
باستخدام الذكاء الاصطناعي، توصل الباحثون إلى طريقة جديدة لتصميم جسيمات نانوية يمكنها توصيل لقاحات الحمض النووي الريبي وأنواع أخرى من علاجات الحمض النووي الريبي بكفاءة أكبر.
درّب الباحثون نموذج تعلم آلي على تحليل آلاف التركيبات الحالية، ليقترح تركيبات أفضل وأكثر فعالية. كما مكّنهم النموذج من تحديد الجسيمات المناسبة لأنواع مختلفة من الخلايا ودمج مواد جديدة في التركيب.
قال جيوفاني ترافيرسو، أستاذ الهندسة الميكانيكية في المعهد "طبقنا أدوات تعلم الآلة لتسريع تحديد أفضل التركيبات المكونة للجسيمات الدهنية، بهدف استهداف أنواع خلايا مختلفة أو دمج مواد جديدة، بسرعة تفوق الطرق التقليدية".
وأكد الباحثون أن هذا النهج يمكن أن يسرّع، بشكل كبير، تطوير اللقاحات والعلاجات الجديدة للأمراض مثل السمنة والسكري.
نماذج الجسيمات
لقاحات الحمض النووي الريبي، مثل لقاحات كوفيد-19، عادةً ما تُغلف في جسيمات دهنية لحمايتها ومساعدتها على الدخول إلى الخلايا. تصميم جسيمات أكثر كفاءة في هذه الوظيفة يمكن أن يحسن فعالية اللقاحات والعلاجات.
في عام 2024، أطلق مختبر ترافيرسو مشروعًا بحثيًا متعدد السنوات لتطوير أجهزة تُؤخذ عن طريق الفم لإيصال لقاحات وعلاجات الحمض النووي الريبي.
يتكون الجسيم الدهني عادةً من أربعة مكونات: الكوليسترول، دهون مساعدة، دهون قابلة للتأين، ودهون مرتبطة ببولي إيثيلين غليكول (PEG). عدد التركيبات المحتملة ضخم، ما يجعل اختبار كل واحدة يدويًا عملية بطيئة. لذا، لجأ الفريق إلى الذكاء الاصطناعي لتسريع المهمة. 
اقرأ أيضا... الذكاء الاصطناعي يعزز فعالية علاج السرطان
نموذج COMET
قال ألفين تشان البروفيسور المساعد في جامعة نانيانغ التكنولوجية في سنغافورة، وأحد المؤلفين الرئيسيين للدراسة الجديدة، التي ظهرت في مجلة Nature Nanotechnology، إن "معظم نماذج الذكاء الاصطناعي في اكتشاف الأدوية تركز على مركب واحد، وهو ما لا يناسب الجسيمات الدهنية التي تتكون من عدة مكونات متفاعلة".
لتجاوز هذه العقبة، طوّر الفريق نموذجًا يُدعى COMET، مستوحى من نماذج اللغة مثل ChatGPT، لتعلّم كيفية تفاعل المكونات الكيميائية المختلفة في الجسيمات وتأثيرها على الخصائص مثل كفاءة توصيل الحمض النووي الريبي.
أنشأ الباحثون مكتبة من نحو 3000 تركيبة مختلفة، واختبروها مخبريًا لقياس فعاليتها. ثم دُرّب النموذج على هذه البيانات. بعد التدريب، تنبأ النموذج بتركيبات جديدة أظهرت أداءً أفضل عند اختبارها في خلايا جلد فأر. 
تطوير متسارع
بمجرد أن أثبت الباحثون قدرة النموذج على التنبؤ بدقة بالجسيمات التي ستنقل  الحمض النووي الريبوزي المرسال (mRNA) بكفاءة، بدأوا بطرح أسئلة إضافية. أولًا، تساءلوا عما إذا كان بإمكانهم تدريب النموذج على جسيمات نانوية تتضمن مكونًا خامسًا: نوع من البوليمرات يُعرف باسم إسترات بولي بيتا أمينو المتفرعة (PBAEs).
كما دُرّب النموذج على توقع الجسيمات الأنسب لأنواع خلايا محددة، مثل خلايا سرطان القولون، ونجح في ذلك.
أخيرًا، استُخدم النموذج للتنبؤ بالتركيبات الأكثر تحمّلًا لعملية التجميد والتجفيف (lyophilization)، وهي تقنية لحفظ الأدوية.
قال ترافيرسو "هذه أداة تُمكّننا من تكييفها مع مجموعة متنوعة تمامًا من الأسئلة، وتُساعد في تسريع عملية التطوير. أدرجنا مجموعة تدريبات كبيرة في النموذج، ولكن بعد ذلك يُمكننا إجراء تجارب أكثر تركيزًا والحصول على نتائج مفيدة في أنواع مختلفة جدًا من الأسئلة".
يعمل الفريق حاليًا على دمج بعض هذه الجسيمات في علاجات محتملة للسكري والسمنة، مثل مقلدات GLP-1 المشابهة لأدوية "أوزيمبيك".
مصطفى أوفى (أبوظبي)