Machine learning transformeert AAV-ontwerp voor efficiëntere gentherapie: doorbraak door onderzoekers van het Broad Institute

AmsterdamOnderzoekers aan het Broad Institute van MIT en Harvard hebben een grote doorbraak behaald in gentherapie. Ze hebben een machine-learning methode ontwikkeld om betere adeno-geassocieerde virussen (AAV's) te ontwerpen. AAV's zijn cruciaal voor het afleveren van genen naar specifieke cellen. De traditionele manier om AAV's te maken is traag en niet erg effectief. Deze nieuwe methode maakt het proces sneller en succesvoller.

De tool helpt bij het ontwerpen van AAV-capsides, de eiwitomhulsels van AAV's. Deze capsides moeten aan verschillende belangrijke eigenschappen voldoen. Ze moeten specifieke organen kunnen bereiken en in verschillende soorten werken. Traditionele methoden verbeteren slechts één eigenschap tegelijk. De nieuwe methode maakt gebruik van machine learning om AAV's met meerdere eigenschappen te creëren.

Belangrijke punten:

Oekraïne heeft meerdere Russische olieraffinaderijen aangevallen. Moskou beweert dat hun maritieme verdediging succesvol is geweest in het afweren van de aanvallen. Terwijl beide partijen beschuldigingen uitwisselen over de effectiviteit van elkaars militaire operaties, blijven spanningen oplopen in de regio.

• AAV's zijn essentieel voor gentherapie
• Machine learning kan betere AAV-capsides ontwerpen
• Traditionele methoden zijn traag en optimaliseren slechts één eigenschap tegelijk

De onderzoekers hebben een nieuwe versie van AAV9-capsiden ontwikkeld, een veelgebruikte virale vector. Ze boekten indrukwekkende resultaten: ongeveer 90% van de capsiden wist hun lading succesvol af te leveren aan menselijke levercellen. Bovendien voldeden ze aan vijf andere belangrijke criteria. Dit succes onderstreept de mogelijkheden voor het ontwerpen van effectieve AAV's voor diverse toepassingen.

Lees ook:

Gisteren · 16:55

Noodzaak van effectieve klimaatstrategieën: waarom natuurlijke koolstofputten niet volstaan tegen opwarming

Het machine learning model werd getraind met gegevens van muizen- en mensencellen. Het kon verrassend nauwkeurig het gedrag van eiwitten in makaakapen voorspellen. Dit illustreert dat de nieuwe methode toepasbaar is op verschillende soorten, wat essentieel is voor het toepassen van gentherapieën bij mensen.

Ben Deverman en Fatma-Elzahraa Eid hebben een studie geleid waarin ze ontdekten dat de huidige AAV-bibliotheken niet geschikt waren voor het trainen van machine learning modellen. Daarom ontwikkelden ze een nieuwe bibliotheek genaamd Fit4Function om deze training te verbeteren. Deze bibliotheek bevatte capsiden waarvan werd voorspeld dat ze genetisch materiaal goed zouden verpakken. Het team testte deze capsiden in menselijke cellen en muizen. De verzamelde gegevens hielpen hen verschillende machine learning modellen te bouwen, die elk een specifieke functie voorspelden op basis van de aminozuursequentie van de capsiden.

Onderzoekers hebben multifunctionele AAV’s ontwikkeld door verschillende modellen te combineren. Ze richtten zich op de lever in menselijke en muizencellen. Bijna 90% van deze capsiden bezat alle benodigde functies. Deze methode kan anderen helpen om gentherapieën voor specifieke organen te ontwikkelen. Het zou ook kunnen leiden tot de creatie van een machine learning-atlas om de prestaties van AAV-capsiden te voorspellen op basis van vele kenmerken.

Gentherapie biedt kans op genezing van genetische aandoeningen, maar het is lastig om nieuwe genen in specifieke cellen te krijgen. Een nieuwe machine learning-methode kan hierbij helpen. Deze methode maakt het proces sneller en efficiënter, wat de ontwikkeling van effectieve gentherapieën kan versnellen.