Вторник, 10 сентября, 2024
Новости науки

Подход машинного обучения помогает исследователям разрабатывать более эффективные средства доставки генов для генной терапии

By donbass01
0
0
Промышленное информационное агентство
Промышленное информационное агентство

Важные новости

Подход машинного обучения помогает исследователям разрабатывать лучшие средства доставки генов для генной терапии» /></p> <p> Парадигма систематической оптимизации белков с несколькими признаками. Фото: <i>Nature Communications</i> (2024 г.). DOI: 10.1038/s41467-024-50555-y </p> <p>Генная терапия потенциально может вылечить генетические заболевания, но остается проблемой безопасная и эффективная упаковка и доставка новых генов в определенные клетки. Существующие методы создания одного из наиболее часто используемых средств доставки генов — аденоассоциированных вирусов (AAV) — зачастую медленны и неэффективны.</p> <p>Теперь исследователи из Института Брода Массачусетского технологического института и Гарварда разработали подход машинного обучения, который обещает ускорить разработку AAV для генной терапии. Инструмент помогает исследователям разрабатывать белковые оболочки AAV, называемые капсидами, чтобы они имели несколько желаемых признаков, таких как способность доставлять груз в определенный орган, но не в другие, или работать в нескольких видах. Другие методы ищут только капсиды, которые имеют один признак за раз.</p> <p>Команда использовала свой подход для разработки капсидов для широко используемого типа AAV, называемого AAV9, который более эффективно воздействует на печень и может быть легко изготовлен.</p> <p>Они обнаружили, что около 90% капсидов, предсказанных их моделями машинного обучения, успешно доставляют свой груз в клетки печени человека и соответствуют пяти другим ключевым критериям.</p> <p>Они также обнаружили, что их модель машинного обучения правильно предсказала поведение белков у макак, хотя она была обучена только на данных о клетках мышей и человека. Это открытие предполагает, что новый метод может помочь ученым быстрее разрабатывать AAV, которые работают между видами, что необходимо для переноса генной терапии на людей.</p> <p>Результаты, опубликованные в <i>Nature Communications</i>, получены в лаборатории Бена Девермана, ученого института и директора векторной инженерии в Центре психиатрических исследований Стэнли в Броде. Фатма-Эльзахра Эйд, старший ученый по машинному обучению в группе Девермана, была первым автором исследования.</p> <p>«Это был действительно уникальный подход», — сказал Деверман. «Это подчеркивает важность того, чтобы биологи влажных лабораторий начали работать с учеными, занимающимися машинным обучением, на раннем этапе разработки экспериментов, которые генерируют данные, необходимые для машинного обучения, а не в последнюю очередь».</p> <p>Руководитель группы Кен Чан, аспирант Альберт Чен, научный сотрудник Изабель Тоби и научный консультант Алина Чан, работающие в лаборатории Девермана, также внесли значительный вклад в исследование.</p> <h2>Уступите место машинам</h2> <p>Традиционные подходы к созданию AAV включают создание больших библиотек, содержащих миллионы вариантов капсидных белков, а затем их тестирование на клетках и животных в несколько раундов отбора. Этот процесс может быть дорогостоящим и трудоемким и обычно приводит к тому, что исследователи идентифицируют лишь несколько капсидов, обладающих определенным признаком. Это затрудняет поиск капсидов, отвечающих множеству критериев.</p> <p>Другие группы использовали машинное обучение для ускорения крупномасштабного анализа, но большинство методов оптимизировали белки для выполнения одной функции за счет другой.</p> <p> <р>Деверман и Эйд поняли, что наборы данных, основанные на существующих крупных библиотеках AAV, не очень подходят для обучения моделей машинного обучения. «Вместо того, чтобы просто брать данные и передавать их ученым, занимающимся машинным обучением, мы подумали: «Что нам нужно для лучшего обучения моделей машинного обучения?» — сказал Эйд. «Выяснение этого было очень полезным».</p> <p>Сначала они использовали начальный раунд моделирования машинного обучения для создания новой библиотеки среднего размера под названием Fit4Function, которая содержала капсиды, которые, как было предсказано, хорошо упаковывали генный груз. Команда проверила библиотеку в клетках человека и мышей, чтобы найти капсиды, которые имели определенные функции, важные для генной терапии у каждого вида.</p> <p>Затем они использовали эти данные для построения нескольких моделей машинного обучения, каждая из которых могла предсказать определенную функцию из аминокислотной последовательности капсида. Наконец, они использовали эти модели в сочетании для создания «многофункциональных» библиотек AAV, оптимизированных для нескольких признаков одновременно.</p> <h2>Будущее дизайна белков</h2> <p>В качестве доказательства концепции Эйд и другие исследователи в лаборатории Девермана объединили шесть моделей для разработки библиотеки капсидов, которые имели несколько желаемых функций, включая технологичность и способность нацеливаться на печень в клетках человека и мышей. Почти 90% этих белков одновременно демонстрировали все желаемые функции.</p> <p>Исследователи также обнаружили, что модель, обученная только на данных мышей и человеческих клеток, правильно предсказала, как AAV распределяются по различным органам макак, предполагая, что эти AAV делают это с помощью механизма, который транслируется между видами. Это может означать, что в будущем исследователи генной терапии смогут быстрее идентифицировать капсиды с несколькими желаемыми свойствами для использования человеком.</p> <p>В будущем, говорят Эйд и Деверман, их модели могут помочь другим группам создать генную терапию, которая либо нацелена на печень, либо специально избегает ее. Они также надеются, что другие лаборатории будут использовать их подход для создания собственных моделей и библиотек, которые вместе могли бы сформировать атлас машинного обучения: ресурс, который мог бы предсказывать эффективность капсидов AAV по десяткам признаков для ускорения разработки генной терапии.</p> <p><strong>Дополнительная информация:</strong> Фатма-Эльзахраа Эйд и др., Систематическая многопризнаковая инженерия капсидов AAV для эффективной доставки генов, <i>Nature Communications</i> (2024). DOI: 10.1038/s41467-024-50555-y </p> <p><strong>Информация о журнале:</strong> Nature Communications Предоставлено Институтом Брода Массачусетского технологического института и Гарварда</p> </div></div><div class=

Предыдущая статьяCDC представляет характеристики жителей домов престарелых
Следующая статьяИсследование выявило ранее неизвестные генетические причины колоректального рака

Новости сегодня

Последние новости

ВЫБОР РЕДАКТОРА

ПОПУЛЯРНЫЕ СООБЩЕНИЯ

ПОПУЛЯРНАЯ КАТЕГОРИЯ

© Промышленное информационное агентство