AI -ingenieurs nanodeeltjes voor verbeterde medicijnafgifte

Biomedische ingenieurs van Duke University hebben een platform ontwikkeld dat geautomatiseerde natte lab -technieken combineert met kunstmatige intelligentie (AI) om nanodeeltjes te ontwerpen voor medicijnafgifte. De aanpak zou onderzoekers kunnen helpen om moeilijk en effectiever en effectiever therapeutica te leveren.

In een proof of concept gebruikte het team het platform om nanodeeltjes te maken die in staat zijn om een ​​moeilijk te inkapselende therapie voor leukemie te leveren en het ontwerp van een tweede anti-kanker nanodeeltje te optimaliseren. Het onderzoek is gepubliceerd in het dagboek ACS nano.

Op AI gebaseerde hulpmiddelen hebben het landschap van het geneesmiddelontwikkeling getransformeerd door onderzoekers in staat te stellen de biologische, chemische en fysische eigenschappen van potentiële therapeutische moleculen beter te voorspellen. Hoewel deze aanpak succesvol genoeg is geweest om drugskandidaten te identificeren die momenteel door klinische proeven gaan, richten de meerderheid van deze platforms zich alleen op het ontdekken van geneesmiddelen in een vroeg stadium.

Het vinden van het rechtermolecuul is echter slechts de helft van de strijd, omdat een nieuw medicijn nog op de juiste locatie moet worden geleverd. Maar het gebruik van AI voor deze latere stadia van de ontwikkeling van geneesmiddelen, die onderzoekers kunnen helpen om de veiligheids- en leveringsmechanismen van de formulering te optimaliseren, is nog steeds relatief onontgonnen.

“Wanneer u een nanodeeltje creëert, hangt het niet alleen af ​​van het recept, maar ook van de hoeveelheid van de verschillende ingrediënten, inclusief zowel het actieve medicijn als inactieve materialen,” zei Zilu Zhang, een Ph.D. Student in het lab van Daniel Reker, een universitair docent BME. “Bestaande AI -platforms kunnen alleen omgaan met het een of het andere, wat hun algehele effectiviteit beperkt.”

Onderzoekers hebben bijvoorbeeld verschillende modellen voor machine learning ontwikkeld om het ontwerp van nanodeeltjes te versnellen door het selectieproces van de materialen te verbeteren. Deze systemen worden getraind met behulp van grote gegevenssets met verhoudingen met vaste materiaal, maar deze stijfheid voorkomt ook dat de algoritmen leren hoe verschillende verhoudingen van materialen deze leveringssystemen effectiever kunnen maken.

“AI kan ons helpen veelbelovende afleveringsmoleculen te identificeren, maar als u ze niet mengt met het medicijn in een bepaalde verhouding, zullen ze geen stabiel nanodeeltje vormen,” zei Reker. “Als we de optimale mengselverhoudingen kunnen identificeren, kunnen we de deeltjes vormen en hun stabiliteit behouden.”

Naast een onvermogen om zowel ingrediënten als hun hoeveelheden te overwegen, staan ​​de huidige benaderingen ook voor andere uitdagingen. Meer complexe AI -platforms zijn goed in het identificeren van eigenschappen en efficiënte verhoudingen, maar ze vereisen enorme datasets voor effectieve training. En hoewel eenvoudiger benaderingen kleinere datasets kunnen gebruiken, worstelen ze om onderscheid te maken tussen vergelijkbare materialen.

Reker en Zhang hopen deze uitdagingen aan te gaan met behulp van hun nieuwe instelbare nanodeeltjesplatform geleid door AI, genaamd Tuna-Ai. Met behulp van een geautomatiseerd vloeistofbehandelingsplatform heeft het team een ​​dataset gemaakt van 1.275 verschillende formuleringen die bestaande uit verschillende therapeutische moleculen en hulpstoffen, die niet -actieve stoffen zijn, zoals kleurstoffen, conserveermiddelen en andere moleculen die de fysieke eigenschappen en absorptie van een medicijn verbeteren.

“Door robotica te gebruiken, konden we veel verschillende ingrediënten in veel verschillende recepten zeer systematisch combineren,” zei Zhang. “Ons AI -model was vervolgens in staat om die gegevens te bekijken voor hoe verschillende materialen presteren onder verschillende omstandigheden en die kennis extrapoleren om een ​​geoptimaliseerd nanodeeltje te selecteren.”

Het team ontdekte dat hun tonijn-AI-model resulteerde in een toename van 42,9% in succesvolle vorming van nanodeeltjes in vergelijking met standaardbenaderingen. Als een proof of concept toonden ze aan dat hun platform met succes een nanodeeltje kon formuleren dat venetoclax effectiever inkapselde, een chemotherapie die wordt gebruikt om leukemie te behandelen. De nanodeeltjes van Venetoclax vertoonden een verbeterde oplosbaarheid en konden de groei van leukemiecellen in het laboratorium effectiever stoppen in vergelijking met het niet-ingekapselde medicijn alleen.

In een tweede case study verminderde hun AI-begeleide platform ook het gebruik van een potentieel carcinogene excipiënt met 75% in de formulering van een tweede chemotherapie-medicijn met behoud van de werkzaamheid van het medicijn en het verbeteren van de biodistributie in muismodellen.

“We hebben aangetoond dat tonijn-AI niet alleen kan worden gebruikt om nieuwe nanodeeltjes te identificeren, maar ook bestaande materialen te optimaliseren om ze veiliger te maken,” zei Zhang.

Naast het uitbreiden van hun platform om andere soorten biomaterialen te verwerken voor verschillende therapeutische en diagnostische toepassingen, werkt het team ook actief samen met onderzoekers en artsen zowel binnen als buiten Duke om dit platform te gebruiken om de medicijnafgifte te verbeteren voor moeilijk te behandelen ziekten.

“Dit platform is een grote fundamentele stap voor het ontwerpen en optimaliseren van nanodeeltjes voor therapeutische toepassingen,” zei Reker. “Nu zijn we verheugd om vooruit te kijken en ziekten te behandelen door bestaande en nieuwe therapieën effectiever en veiliger te maken.”