Ny studie: maskininlärning förbättrar utformningen av AAV-gentransportörer för precisionsbehandlingar i genterapi.

StockholmForskare vid Broad Institute vid MIT och Harvard har gjort ett stort framsteg inom genterapi. De har utvecklat en maskininlärningsmetod för att designa bättre adeno-associerade virus (AAVs). AAVs är viktiga för att leverera gener till specifika celler. Den traditionella metoden att skapa AAVs är långsam och inte särskilt effektiv. Denna nya metod gör processen snabbare och mer framgångsrik.

Verktyget hjälper till att designa AAV-kapsider, som är proteinskydden för AAV:er. Dessa kapsider behöver ha flera viktiga egenskaper. De bör kunna rikta sig mot specifika organ och fungera i olika arter. Traditionella metoder förbättrar endast en egenskap åt gången. Den nya metoden använder maskininlärning för att skapa AAV:er med flera egenskaper samtidigt.

Viktiga punkter:

• AAV:er spelar en viktig roll inom genterapi
• Maskininlärning kan skapa bättre AAV-kapsider
• Traditionella metoder är långsamma och fokuserar på en egenskap i taget

Forskarna skapade en ny version av AAV9-kapsider, en allmänt använd virustyp. De uppnådde imponerande resultat, där omkring 90% av kapsiderna framgångsrikt levererade sin last till humana leverceller. Dessutom uppfyllde de fem andra viktiga kriterier. Denna framgång belyser potentialen för att designa effektiva AAV:er för olika ändamål.

Läs också:

Igår · 16:55

Ompröva nettonoll: Naturliga kolsänkor räcker inte för att stoppa klimatförändringarna

Maskininlärningsmodellen tränades med data från mus- och människoceller och kunde överraskande nog exakt förutsäga proteinbeteende hos makaker. Detta visar att den nya metoden kan fungera över olika arter, vilket är viktigt för att kunna tillämpa genterapier på människor.

Ben Deverman och Fatma-Elzahraa Eid ledde en studie där de upptäckte att de nuvarande AAV-biblioteken inte var lämpliga för att träna maskininlärningsmodeller. De skapade ett nytt bibliotek kallat Fit4Function för att förbättra träningen. Detta bibliotek innehöll kapsider som förväntades packa genlast effektivt. Teamet testade dessa kapsider i mänskliga celler och möss. Den insamlade datan hjälpte dem att bygga flera maskininlärningsmodeller, där varje modell förutspådde en specifik funktion baserat på kapsidens aminosyrasekvens.

Forskare utvecklade multifunktionella AAV:er genom att kombinera olika modeller. De riktade sig mot levern i mänskliga och musceller. Nästan 90 % av dessa kapsider hade alla nödvändiga funktioner. Denna metod kan hjälpa andra att skapa genterapier för specifika organ. Det kan också leda till skapandet av en maskininlärningsatlas för att förutsäga AAV-kapsidernas prestanda baserat på många egenskaper.

Genterapi har potential att bota genetiska sjukdomar, men det är svårt att föra in nya gener i specifika celler. En ny metod baserad på maskininlärning kan vara till hjälp. Den gör processen snabbare och mer effektiv, vilket kan påskynda utvecklingen av effektiva genterapier.