پزشکی بازساختی و سلول‌های بنیادی

اگرچه ویروس های مرتبط با آدنو (AAV) به طور گسترده ای به عنوان یک راهکار امیدوار کننده برای ژن درمانی در بافت های معیوب در بدن انسان در نظر گرفته می شوند، اما هنوز راه طولانی برای پیشروی آنها وجود دارد تا بتوانند به عنوان محصولات موثر در انتقال ژن ، از پتانسیل کامل خود استفاده کنند. به همین منظور، محققان Dyno Therapyics با همکاری Google Research ، موسسه Harvard’s Wyss و دانشکده پزشکی هاروارد)، با رویکرد یادگیری ماشین طیف متنوعی از کپسیدهای AAV را تولید کردند.

این مطالعه که در Nature Biotechnology منتشر شده است ، کاربرد این روش را در شناسایی توسط سیستم ایمنی  به طور خاص بر روی بافت آسیب دیده نشان می دهد.

دو چالش عمده استفاده از AAV به عنوان وسیله ای برای درمان ژن این است که کپسیدهای AAV که در حال حاضر استفاده می شوند ، در توانایی هدف گیری خاص بافت های معیوب محدود هستند و سیستم ایمنی بدن بیماران اغلب قادر به تولید آنتی بادی های خنثی کننده است که مانع از انتقال محصولات ژنتیکی از AAV ها می شود.

تخمین زده می شود که حداکثر 50-70٪ از جمعیت انسانی نسبت به اشکال طبیعی ناقلین AAV که در حال حاضر برای انتقال ژن درمانی استفاده می شود ، مصونیت دارند. محققان امیدوارند که از طریق مهندسی افزایش کپسیدهای AAV ، بتوانند بر این چالش غلبه کنند.

لذا در این پژوهش، محققان از یک روش یادگیری عمیق محاسباتی برای طراحی انواع کپسید از سروتیپ AAV2 در توالی های DNA رمزگذار یک بخش پروتئین استفاده می کنند که در شناسایی سیستم ایمنی و همچنین هدف قرار دادن بافت های خاص نقش دارد.

محققین این پژوهش اذعان داشتند که :

"رویکرد ما به بالاترین تنوع عملکردی در بین سایر کتابخانه های کپسید تاکنون رسیده است. این بخش وسیعی از فضای توالی عملکردی اما قبلاً غیرقابل دسترسی را باز می کند ، با بسیاری از برنامه های کاربردی بالقوه برای تولید بردارهای ویروسی بهبود یافته ، مانند AAV ها با ایمنی زایی بسیار کاهش یافته و انتخاب بافت بسیار بهبود یافته و همچنین برای ژن درمانی بسیار کارآمد ، " (Dyno Therapy).

این پروژه به امید پیشرفت و کارآیی AAV در ارائه خدماتی مانند ژن درمانی است و با نگاهی اجمالی به آینده استفاده از هوش مصنوعی می تواند در طراحی داروهای جدید و همچنین رویکردهای انتقال دارو نقش ایفا کند.

سام سینا ، بنیانگذار Dyno و سرپرست تیم یادگیری ماشین ، اظهار داشت: "هرچه ما وکتور AAV را از حالت طبیعی گونه خود تغییر دهیم ، احتمال غلبه بر مشکل مصونیت قبلی نیز بیشتر است. همچنین اطمینان از زنده ماندن انواع کپسید برای بسته بندی محموله DNA با استفاده از روش‌های متداول، به زمان و منابع نیاز دارد و منجر به عملکرد بسیار کمی از کپسیدهای مناسب می‌شود."