Машинное обучение создает улучшенные векторы для доставки генов на основе AAV

Вирусы адено-ассоциированного типа (AAV) стали перспективными векторами для доставки генной терапии к пораженным тканям в организме человека, поскольку они непатогенны и могут переносить терапевтическую ДНК в целевые клетки. Однако, хотя первые одобренные FDA генные терапии используют векторы AAV, эти векторы еще не раскрыли свой полный потенциал.

Проблемы современных AAV:

1. Используемые сейчас капсиды AAV (белковые оболочки, несущие геном) обладают ограниченной способностью специфически нацеливаться на пораженную ткань и широко распределяются по телу, что снижает их концентрацию.
2. Иммунная система пациентов, ранее сталкивавшаяся с похожим AAV, может вырабатывать нейтрализующие антитела, которые блокируют доставку терапевтической ДНК.

Для преодоления проблемы нейтрализации ученые пытаются создать улучшенные капсиды, способные уклоняться от иммунной системы. Однако существующие методы (например, направленная эволюция) создают ограниченное разнообразие капсидов, в основном похожих на природные серотипы, и сложно генерировать большое разнообразие, не теряя стабильность или способность связываться с клетками.

Новый подход с машинным обучением

Исследователи из Института Висса Гарварда в коллаборации с Google Research применили вычислительный подход на основе глубокого обучения для проектирования высокоразнообразных вариантов капсида на основе серотипа AAV2. Они сфокусировались на участке ДНК, кодирующем ключевой сегмент белка, который играет роль в иммунном распознавании и инфицировании тканей.

• Исходя из относительно небольшого набора данных о капсидах, команда обучила несколько моделей машинного обучения и использовала их для проектирования 200 000 вариантов вируса.
• 110 689 из этих вариантов произвели жизнеспособные вирусы AAV.
• Между любыми двумя природными серотипами AAV в этом сегменте различаются около 12 аминокислот. Новый подход создал более 57 000 вариантов с гораздо более высоким разнообразием — некоторые содержали до 29 комбинированных замен или вставок аминокислот.

Результаты опубликованы в Nature Biotechnology.

"Наш подход обеспечивает наибольшее функциональное разнообразие среди всех библиотек капсидов на сегодня. Он открывает доступ к обширным областям функционального, но ранее недостижимого пространства последовательностей", — сказал последний автор Эрик Келси, Ph.D., сооснователь стартапа Dyno Therapeutics.

Методология и значение

Команда использовала несколько стратегий проектирования, чтобы сначала создать небольшие наборы данных для обучения моделей машинного обучения. Высокопроизводительный метод синтеза мутированных последовательностей капсидов и in vitro тестирования их жизнеспособности стал эффективной испытательной платформой.

"Глубокие нейронные сети, которые мы использовали с нашими коллегами из Google, точно предсказывали жизнеспособность капсидов среди чрезвычайно разнообразных вариантов. Достижение такого уровня разнообразия в сегменте капсида — важная веха", — отметил соавтор Сэм Синай, Ph.D.

Это исследование дополняет более раннюю работу команды, опубликованную в Science в 2019 году, где они мутировали каждую из 735 аминокислот в капсиде AAV2. Новое исследование фокусируется на небольшом, но критически важном регионе с беспрецедентной детализацией.

"Оно показывает, что нейронные сети в сочетании с высокопроизводительным синтетическим тестированием меняют способ проектирования средств доставки генов и белковых препаратов", — сказал соавтор Джордж Чёрч.

Работа демонстрирует, как методы искусственного интеллекта открывают новые пространства для проектирования, позволяя создавать новые препараты и подходы к доставке для борьбы с многочисленными проблемами здоровья человека.