الگوریتم هوش مصنوعی به ساخت واکسن‌های RNA مقاوم به گرما کمک کرد

پژوهشگران MIT با استفاده از الگوریتمی مبتنی بر هوش مصنوعی، فرمولاسیونی برای واکسن‌های RNA ساخته‌اند که می‌تواند به کاهش نیاز این واکسن‌ها به نگهداری در دمای بسیار پایین کمک کند. طبق نتایجی که ۲۸ سپتامبر در مجله Nature Biotechnology منتشر شده، نمونه‌های آزمایش‌شده تا یک سال در دمای اتاق پایدار ماندند و در موش‌ها پاسخی ایمنی مشابه واکسن‌هایی ایجاد کردند که با فرمولاسیون‌های پیشین حمل شده بودند. اگر این روش در پژوهش‌های بعدی نیز کارآمد باشد، می‌تواند بخشی از دشواری‌های نگهداری و توزیع واکسن‌های RNA را کاهش دهد.

چرا پایداری واکسن‌های RNA اهمیت دارد؟

واکسن‌های RNA در مقابله با کووید ۱۹ مؤثر بوده‌اند و پژوهشگران در حال بررسی کاربرد آن‌ها برای بیماری‌های دیگری، از جمله سرطان، هستند. اما RNA مولکولی شکننده است و به‌راحتی آسیب می‌بیند. برای محافظت از آن و کمک به ورودش به سلول‌ها، معمولاً از ذراتی ریز به نام نانوذرات لیپیدی یا LNP استفاده می‌شود.

با وجود این محافظت، واکسن‌های RNA همچنان به نگهداری سرد نیاز دارند. واکسن‌های متکی بر این ذرات ممکن است به دمایی در بازه منفی ۲۰ تا منفی ۸۰ درجه سانتی‌گراد نیاز داشته باشند؛ موضوعی که نگهداری و ارسال آن‌ها را، به‌ویژه در مناطقی که زیرساخت سردخانه‌ای محدود است، دشوار می‌کند.

برای افزایش پایداری، دانشمندان موادی به نام مواد کمکی را به ترکیب نانوذرات اضافه می‌کنند. این مواد می‌توانند قند، نمک یا پلیمر باشند و به حفظ ویژگی‌های RNA و ذرات حامل آن کمک کنند. تیم MIT پیش‌تر نوعی نانوذره پایدارشده با پلیمر ساخته بود، اما آن ترکیب با فرمولاسیون‌های تأییدشده‌ای که در واکسن‌های کووید ۱۹ شرکت‌های Moderna و Pfizer به کار رفته‌اند تفاوت داشت. در پژوهش تازه، هدف این بود که همان فرمولاسیون‌های مورد استفاده را در برابر گرما مقاوم‌تر کنند.

الگوریتم چگونه فرمولاسیون را پیدا کرد؟

پژوهشگران ابتدا برخی مواد کمکی را که در کارهای پیشین نتیجه داده بودند دوباره بررسی کردند، اما این مسیر به فرمولاسیون مورد نظر نرسید. به گفته تیم پژوهش، آزمایش ترکیب‌های مختلف زمان‌بر بود و غربال‌کردن مواد کمکی به‌تنهایی نتیجه مطلوبی نداشت. از این رو، آن‌ها برای هدایت آزمایش‌ها به سراغ یادگیری ماشین رفتند؛ روشی که در آن الگوریتم با استفاده از داده‌ها، الگوها را می‌آموزد و پیش‌بینی می‌کند.

تیم MIT با همکاری پژوهشگران آزمایشگاه علوم رایانه و هوش مصنوعی این دانشگاه، الگوریتمی طراحی کرد که می‌تواند با مجموعه‌داده‌های کوچک پیشنهادهایی ارائه کند. این ویژگی اهمیت دارد، زیرا آزمودن هزاران ترکیب در آزمایشگاه پرهزینه و زمان‌بر است. آنا یاکلناک، از پژوهشگران ارشد مؤسسه پژوهش سرطان Koch در MIT، گفته است این الگوریتم به تیم اجازه داد با داده‌های محدود به‌دنبال ویژگی مشخصی مانند پایداری برود.

در گام نخست، پژوهشگران نزدیک به ۵۰ ماده کمکی تأییدشده از سوی سازمان غذا و داروی آمریکا را بررسی کردند. برای سنجش اثر هر ماده، آن را در نانوذرات حامل RNA قرار دادند و ذرات را برای انتقال RNA سازنده پروتئینی به نام لوسیفراز کرم شب‌تاب به سلول‌ها به کار بردند. این پروتئین نور تولید می‌کند؛ بنابراین مقدار نور ساطع‌شده از سلول‌ها به پژوهشگران امکان داد ارزیابی کنند که هر ماده تا چه اندازه از RNA محافظت کرده است.

پس از این غربالگری، پنج ماده امیدوارکننده‌تر انتخاب شدند. الگوریتم نسبت‌های گوناگون این مواد را برای پایدارکردن نانوذراتی شبیه به فرمولاسیون Moderna پیشنهاد کرد. پژوهشگران هر بار دو ترکیب را در سلول‌ها آزمودند و نتایج را دوباره به الگوریتم دادند تا پیشنهادهای تازه‌ای بسازد. این چرخه پس از چند دور به ترکیبی رسید که برای آزمایش‌های حیوانی مناسب به نظر می‌رسید.

مینا کوناکوویچ لوکوویچ، از نویسندگان مقاله و استاد مهندسی برق و علوم رایانه در MIT، گفته است الگوریتم در چند مرحله به فرمولاسیون پایدار رسید؛ در حالی که جست‌وجوی جامع می‌توانست به آزمایش‌های بسیار بیشتری نیاز داشته باشد. به گفته خان تران، پژوهشگر پسادکتری و یکی از نویسندگان اصلی، تیم پیش از استفاده از الگوریتم چند ماه صرف آزمایش ترکیب‌ها کرده بود، اما به پایداری کامل مورد نظر نرسیده بود. پژوهشگران می‌گویند مسیر هدایت‌شده با الگوریتم تنها چند هفته طول کشید.

نتایج آزمایش گرما و موش‌ها

برای سنجش مقاومت در برابر گرما، تیم RNA مربوط به آنتی‌ژن کووید ۱۹ را در نانوذرات تازه قرار داد. آنتی‌ژن بخشی از ماده‌ای است که دستگاه ایمنی آن را شناسایی می‌کند. سپس نمونه‌ها را با روشی به نام خشک‌کردن در خلأ آب‌گیری کردند و در دو وضعیت نگه داشتند: دمای ۳۷ درجه سانتی‌گراد، نزدیک به ۹۸ درجه فارنهایت، به‌مدت دو ماه؛ و دمای اتاق به‌مدت یک سال.

پس از دوره نگهداری، پژوهشگران ذرات را به موش‌ها تزریق کردند. بر اساس گزارش آن‌ها، موش‌هایی که واکسن نگهداری‌شده را دریافت کردند، پاسخی ایمنی هم‌سطح موش‌هایی نشان دادند که واکسن حمل‌شده با نانوذراتی شبیه به فرمولاسیون اولیه Moderna را دریافت کرده بودند. این یافته نشان می‌دهد که در این آزمایش، نگهداری طولانی‌مدت در شرایط گرم‌تر مانع از ایجاد پاسخ ایمنی مشابه نشد؛ اما نتیجه گزارش‌شده مربوط به موش‌ها است.

تیم پژوهشی همچنین از فرمولاسیون مقاوم به گرما برای ساخت پچ‌های میکرونیدلی استفاده کرد. این پچ‌ها صدها سوزن بسیار ریز دارند که پس از قرارگرفتن روی پوست حل می‌شوند و ماده واکسن را آزاد می‌کنند. پچ‌های آزمایش‌شده که آنتی‌ژن SARS-CoV-2 را منتقل می‌کردند، پاسخی ایمنی مشابه واکسن‌های RNA تزریقی ایجاد کردند. پژوهشگران این روش را راهی بالقوه برای گسترش شیوه‌های رساندن واکسن می‌دانند، نه نتیجه‌ای که به‌تنهایی کاربرد گسترده آن را ثابت کند.

کاربردهای احتمالی و محدودیت‌های شواهد

به گفته پژوهشگران، الگوریتم فقط برای یک نوع نانوذره به کار نمی‌رود. آن‌ها نشان دادند که می‌توان از آن برای پایدارکردن فرمولاسیونی شبیه به نانوذرات مورد استفاده در واکسن کووید ۱۹ شرکت Pfizer نیز استفاده کرد. این فرمولاسیون از همان مواد کمکیِ ترکیب توسعه‌یافته برای نانوذرات مشابه Moderna استفاده می‌کند، اما نسبت مواد در آن متفاوت است.

تیم می‌گوید پس از یافتن فرمولاسیون مقاوم به گرما برای یک نوع نانوذره، می‌توان آن را برای انتقال انواع مختلف RNA پیام‌رسان به کار گرفت. RNA پیام‌رسان، دستور ساخت یک پروتئین را به سلول می‌رساند. پژوهشگران همچنین کاربردهای احتمالی را فراتر از واکسن‌ها می‌دانند؛ از جمله برخی درمان‌ها و سامانه‌های پیشرفته رساندن دارو که به پایداری در دمای بالاتر یا حالت جامد نیاز دارند. جینبی تیان، دانشجوی تحصیلات تکمیلی و نویسنده اصلی مقاله، پچ‌های میکرونیدلی و ذرات با رهایش کنترل‌شده را از نمونه‌های این حوزه‌ها برشمرده است.

با این حال، نتایج گزارش‌شده شامل آزمایش‌های سلولی و حیوانی است و متن پژوهش نتیجه‌ای از آزمایش روی انسان ارائه نمی‌کند. بنابراین یافته‌ها، هرچند نشان می‌دهند الگوریتم می‌تواند روند جست‌وجوی ترکیب‌ها را کوتاه کند و یک فرمولاسیون پایدارتر بسازد، به‌تنهایی اثبات نمی‌کنند که واکسن‌های RNA در آینده نزدیک بدون نیاز به زنجیره سرد در همه شرایط توزیع خواهند شد. پژوهش با حمایت مالی، از جمله از سوی بنیاد Gates، انجام شده است.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای گروه‌هایی که در طراحی واکسن و سامانه‌های انتقال دارو کار می‌کنند، نمونه‌ای از کاربرد یادگیری ماشین در یک مسئله آزمایشگاهی مشخص است: انتخاب ترکیب مناسب با تعداد کمتری از آزمایش‌ها. برای مسئولان توزیع و نگهداری واکسن نیز پایداری بیشتر در دمای بالاتر می‌تواند در صورت تأیید در مراحل بعدی، راهی برای کاهش بخشی از دشواری‌های حمل‌ونقل باشد. اهمیت یافته‌ها در حال حاضر بیش از همه به روش پژوهش و نتایج پیش‌بالینی آن مربوط است؛ گامی امیدوارکننده که هنوز باید در بررسی‌های بیشتر ارزیابی شود.