Sueños de Big Data para pequeñas tecnologías | Noticias del MIT



Las terapias de moléculas pequeñas tratan una amplia variedad de enfermedades, pero su efectividad a menudo se ve disminuida debido a su farmacocinética, es decir, lo que el cuerpo le hace a un medicamento. Después de la administración, el cuerpo dicta la cantidad de fármaco que se absorbe, a qué órganos ingresa el fármaco y la velocidad a la que el cuerpo metaboliza y excreta el fármaco nuevamente.

Las nanopartículas, generalmente hechas de lípidos, polímeros o ambos, pueden mejorar la farmacocinética, pero pueden ser complejas de producir y, a menudo, contienen muy poco fármaco.

Se ha demostrado que ciertas combinaciones de fármacos anticancerosos de molécula pequeña y dos colorantes de molécula pequeña se autoensamblan en nanopartículas con cargas útiles de fármaco extremadamente altas, pero es difícil predecir qué socios de moléculas pequeñas formarán nanopartículas entre los millones de posibles emparejamientos. .

Los investigadores del MIT han desarrollado una plataforma de detección que combina el aprendizaje automático y la experimentación de alto rendimiento para identificar rápidamente nanopartículas autoensambladas. En un estudio publicado en Nanotecnología de la naturaleza, los investigadores examinaron 2,1 millones de combinaciones de fármacos de molécula pequeña e ingredientes de fármacos "inactivos", identificando 100 nuevas nanopartículas con aplicaciones potenciales que incluyen el tratamiento de cáncer, cáncer y cáncer, asma, malaria e infecciones virales y fúngicas.

“Hemos descrito previamente algunos de los efectos negativos y positivos que los ingredientes inactivos pueden tener sobre los medicamentos y aquí, a través de una colaboración concertada entre nuestros laboratorios y nuestras principales instalaciones, describimos un enfoque centrado en los posibles efectos positivos que esto tiene para ofrecer. pueden tener sobre nanoformulación ”. dice Giovanni Traverso, profesor de desarrollo profesional de Karl Van Tassel (1925) en ingeniería mecánica y autor corresponsal principal del estudio.

Sus resultados indican una estrategia que resuelve tanto la complejidad de producir nanopartículas como la dificultad de cargar grandes cantidades de fármacos en ellas.

"Muchos fármacos no alcanzan su potencial debido a una focalización insuficiente, una biodisponibilidad deficiente o un metabolismo rápido del fármaco", dice Daniel Reker, autor principal del estudio y ex becario postdoctoral en el laboratorio de Robert Langer. "Al trabajar en la interfaz de la ciencia de datos, el aprendizaje automático y la administración de medicamentos, nuestra esperanza es expandir rápidamente nuestro conjunto de herramientas para asegurarnos de que un medicamento llegue a donde debe estar y realmente pueda tratar y ayudar a un ser humano".

Langer, profesor del Instituto David H. Koch del MIT y miembro del Instituto Koch para la Investigación Integrativa del Cáncer, también es uno de los autores principales del artículo.

La terapia contra el cáncer se encuentra con su pareja

Para desarrollar un algoritmo de aprendizaje automático capaz de identificar nanopartículas autoensambladas, los investigadores primero necesitaban crear un conjunto de datos en el que el algoritmo pudiera entrenarse. Seleccionaron 16 medicamentos de moléculas pequeñas autoagregantes con una variedad de estructuras químicas y aplicaciones terapéuticas y un conjunto diverso de 90 compuestos ampliamente disponibles, incluidos ingredientes que ya se agregan a los medicamentos para hacer que tengan mejor sabor, duren más o más. estable. Debido a que los medicamentos y los ingredientes inactivos ya están aprobados por la FDA, es probable que las nanopartículas resultantes sean más seguras y pasen por el proceso de aprobación de la FDA más rápido.

Luego, el equipo probó cada combinación de fármaco de molécula pequeña e ingrediente inactivo, utilizando el Swanson Biotechnology Center, un conjunto de instalaciones centrales que brindan servicios técnicos avanzados dentro de la empresa. Koch Institute. Después de mezclar emparejamientos y cargar 384 muestras a la vez en placas de nanopozos utilizando robótica en el núcleo científico de alto rendimiento, los investigadores recorrieron las placas, a menudo con muestras degradadas rápidamente, hasta el lado del núcleo de Peterson (1957) Nanotechnology Materials Core Facility para medir el tamaño. . de partículas con dispersión dinámica de luz a alta velocidad.

Ahora formada en 1.440 puntos de datos (con 94 nanopartículas ya identificadas), la plataforma de aprendizaje automático podría activarse en una biblioteca de compuestos mucho más grande. Al examinar 788 fármacos de molécula pequeña frente a más de 2600 ingredientes de fármacos inactivos, la plataforma identificó 38 464 nanopartículas de autoensamblaje potenciales de 2,1 millones de combinaciones posibles.

Los investigadores seleccionaron seis nanopartículas para su posterior validación, incluida una compuesta de sorafenib, un tratamiento de uso común para cánceres de hígado avanzados y otros cánceres, y glicirricina, un compuesto que se usa con frecuencia como aditivo alimentario y medicado y más comúnmente conocido como saborizante de regaliz. Aunque el sorafenib es el tratamiento estándar para el cáncer de hígado avanzado, su eficacia es limitada.

En cultivos de células de cáncer de hígado humano, las nanopartículas de sorafenib-glicirricina funcionaron dos veces más que el sorafenib solo porque una mayor cantidad del fármaco pudo ingresar a las células. En colaboración con el Departamento de Modelado, Imágenes y Pruebas Preclínicas del Instituto Koch, los investigadores procesaron modelos de ratón de cáncer de hígado para comparar los efectos de las nanopartículas de sorafenib-glicirricina frente a las nanopartículas de sorafenib-glicirricina. Uno u otro de los compuestos. Descubrieron que la nanopartícula redujo significativamente los niveles de un marcador asociado con la progresión del cáncer de hígado en comparación con los ratones que recibieron sorafenib solo y vivieron más tiempo que los ratones que recibieron sorafenib o glicirricina sola. La nanopartícula de sorafenib-glicirricina también ha mostrado una mejora en la dirección del hígado en comparación con la administración oral de sorafenib, el estándar actual tiene efectos secundarios tóxicos.

Administración de medicamentos personalizada

La nueva plataforma podría tener aplicaciones útiles más allá de optimizar la efectividad de los fármacos activos: podría utilizarse para personalizar compuestos inactivos en función de las necesidades de cada paciente. En trabajos anteriores, los miembros del equipo encontraron que los ingredientes inactivos podrían causar reacciones alérgicas no deseadas en algunos pacientes. Ahora, con el kit de herramientas extendido de aprendizaje automático, se podrían generar más opciones para brindar alternativas a estos pacientes.

"Tenemos la oportunidad de reflexionar sobre la adaptación del sistema de administración al paciente", dice Reker, ahora profesor asistente de ingeniería biomédica en la Universidad de Duke. “Podemos tener en cuenta factores como la absorción de fármacos, la genética e incluso las alergias para reducir los efectos secundarios durante el parto. Independientemente de la mutación o condición médica, el medicamento correcto es solo el medicamento correcto si realmente funciona para el paciente. "

Existen las herramientas para la administración de medicamentos segura y eficaz, pero juntar todos los ingredientes puede ser un proceso lento. La combinación de aprendizaje automático, detección rápida y la capacidad de predecir interacciones entre diferentes combinaciones de materiales acelerará el diseño de medicamentos y las nanopartículas utilizadas para administrarlos por todo el cuerpo.

Como parte de su trabajo continuo, el equipo no solo busca mejorar la administración eficiente de medicamentos, sino también crear medicamentos para personas para quienes las formulaciones estándar no son una buena opción, mediante el uso de macrodatos para resolver problemas en poblaciones pequeñas mediante el examen de la historia genética. , alergias y reacciones alimentarias.

Deja un comentario