La terapia genica potrebbe potenzialmente curare le malattie genetiche, ma resta una sfida confezionare e distribuire nuovi geni a cellule specifiche in modo sicuro ed efficace. Gli attuali metodi di progettazione di uno dei veicoli di distribuzione genica più comunemente utilizzati, i virus adeno-associati (AAV), sono spesso lenti e inefficienti.
Ora, i ricercatori del Broad Institute del MIT e di Harvard hanno sviluppato un approccio di apprendimento automatico che promette di accelerare l’ingegneria degli AAV per la terapia genica. Lo strumento aiuta i ricercatori a progettare gli involucri proteici degli AAV, chiamati capsidi, in modo che abbiano molteplici caratteristiche desiderabili, come la capacità di consegnare il carico a un organo specifico, ma non ad altri o di funzionare in più specie. Altri metodi cercano solo capsidi che hanno una caratteristica alla volta.
Il team ha utilizzato il proprio approccio per progettare capsidi per un tipo di AAV comunemente utilizzato chiamato AAV9 che ha preso di mira in modo più efficiente il fegato e potrebbe essere facilmente prodotto. I ricercatori hanno scoperto che circa il 90 percento dei capsidi previsti dai loro modelli di apprendimento automatico ha consegnato con successo il proprio carico alle cellule epatiche umane e ha soddisfatto altri cinque criteri chiave. Hanno anche scoperto che il loro modello di apprendimento automatico ha previsto correttamente il comportamento delle proteine nelle scimmie macaco anche se è stato addestrato solo su dati di cellule di topi e umani. Questa scoperta suggerisce che il nuovo metodo potrebbe aiutare gli scienziati a progettare più rapidamente AAV che funzionino tra le specie, il che è essenziale per tradurre le terapie geniche negli esseri umani.
I risultati dello studio, apparsi di recente su Nature Communications, provengono dal laboratorio di Ben Deverman, scienziato dell’Istituto e Direttore dell’ingegneria vettoriale presso lo Stanley Center for Psychiatric Research al Broad. Fatma-Elzahraa Eid, scienziata senior di apprendimento automatico nel gruppo di Deverman, è stata la prima autrice dello studio. “Si è trattato di un approccio davvero unico, che sottolinea l’importanza della collaborazione tra biologi di laboratorio e scienziati specializzati in apprendimento automatico fin dalle prime fasi della progettazione di esperimenti che generino dati abilitanti per l’apprendimento automatico, anziché come un ripensamento“, dice Ben Deverman, scienziato dell’Istituto e Direttore, Vector Engineering, Stanley Center for Psychiatric Research, Broad Institute.
Anche il responsabile del gruppo Ken Chan, lo studente laureato Albert Chen, la ricercatrice associata Isabelle Tobey e la consulente scientifica Alina Chan, tutti del laboratorio di Deverman, hanno dato un contributo significativo allo studio.
Fate largo alle macchine
Gli approcci tradizionali per la progettazione di AAV comportano la generazione di grandi elenchi contenenti milioni di varianti proteiche del capside e il loro successivo test su cellule e animali in diversi cicli di selezione. Questo processo può essere costoso e richiedere molto tempo e in genere porta i ricercatori a identificare solo una manciata di capsidi che hanno una caratteristica specifica. Ciò rende difficile trovare capsidi che soddisfino più criteri.
Altri gruppi hanno utilizzato l’apprendimento automatico per velocizzare l’analisi su larga scala, ma la maggior parte dei metodi ottimizzava le proteine per una funzione a scapito di un’altra.
Deverman ed Eid si sono resi conto che i set di dati basati sulle grandi librerie AAV esistenti non erano adatti per addestrare modelli di apprendimento automatico. “Invece di prendere semplicemente i dati e darli agli scienziati dell’apprendimento automatico, abbiamo pensato: ‘Di cosa abbiamo bisogno per addestrare meglio i modelli di apprendimento automatico?‘”, ha affermato Eid. “Capire questo è stato davvero determinante”.
I ricercatori hanno utilizzato per prima cosa un ciclo iniziale di modellazione di apprendimento automatico per generare una nuova libreria di dimensioni moderate, chiamata Fit4Function, che conteneva capsidi che si prevedeva impacchettassero bene il carico genico. Il team ha esaminato la libreria in cellule umane e topi per trovare capsidi che avessero funzioni specifiche importanti per la terapia genica in ogni specie. Hanno quindi utilizzato quei dati per creare più modelli di apprendimento automatico che potessero ciascuno prevedere una determinata funzione dalla sequenza di amminoacidi di un capside. Infine, hanno utilizzato i modelli in combinazione per creare librerie “multifunzionali” di AAV ottimizzate per più tratti contemporaneamente.
Il futuro della progettazione delle proteine
Come prova di concetto, Eid e altri ricercatori nel laboratorio di Deverman hanno combinato sei modelli per progettare una libreria di capsidi che avevano molteplici funzioni desiderate, tra cui la producibilità e la capacità di colpire il fegato attraverso cellule umane e topi. Quasi il 90 percento di queste proteine mostrava tutte le funzioni desiderate simultaneamente.
Leggi anche:Come la terapia genica tratta il dolore cronico
I ricercatori hanno anche scoperto che il modello, addestrato solo su dati di topi e cellule umane, ha previsto correttamente come gli AAV si distribuiscono nei diversi organi dei macachi, suggerendo che questi AAV lo fanno attraverso un meccanismo che si traduce tra le specie. Ciò potrebbe significare che in futuro i ricercatori di terapia genica potrebbero identificare più rapidamente i capsidi con molteplici proprietà desiderabili per l’uso umano.
In futuro, Eid e Deverman affermano che i loro modelli potrebbero aiutare altri gruppi a creare terapie geniche che prendono di mira o evitano specificamente il fegato. Sperano anche che altri laboratori utilizzino il loro approccio per generare modelli e librerie propri che, insieme, potrebbero formare un atlante di apprendimento automatico: una risorsa che potrebbe prevedere le prestazioni dei capsidi AAV attraverso decine di tratti per accelerare lo sviluppo della terapia genica.
Immagine Credit Public Domain.
Fonte:Nature Communications
