杜克大学的生物医学工程师开发了一个平台，该平台结合了自动化湿实验室技术与人工智能（AI），用于设计药物递送用的纳米颗粒。这种方法可以帮助研究人员更高效、更有效地递送难以包裹的治疗药物。在概念验证中，研究团队使用该平台创建了能够递送白血病治疗药物的纳米颗粒，并优化了第二种抗癌纳米颗粒的设计。该研究成果发表在《ACS Nano》期刊上。
基于AI的工具通过使研究人员能够更好地预测潜在治疗分子的生物、化学和物理特性，已经改变了药物开发的格局。尽管这种方法已经成功地识别出目前正在通过临床试验的药物候选物，但大多数这些平台只关注药物发现的早期阶段。
然而，找到合适的分子只是战斗的一半，因为新药仍需要被递送到正确的位置。但AI在药物开发后期阶段的应用——可以帮助研究人员优化配方安全性和递送机制——仍然相对未被探索。
"当你创建纳米颗粒时，其效果不仅取决于配方，还取决于各种成分的数量，包括活性药物和非活性材料，"生物医学工程助理教授丹尼尔·雷克（Daniel Reker）实验室的博士生张子路（Zilu Zhang）说。"现有的AI平台只能处理其中一个方面，这限制了它们的整体有效性。"
例如，研究人员已经开发了几个机器学习模型，通过改进材料选择过程来加速纳米颗粒设计。这些系统使用具有固定材料比例的大型数据集进行训练，但这种刚性也阻止了算法学习不同材料比例如何使这些递送系统更有效。"AI可以帮助我们识别有前景的递送分子，但如果你不以特定比例将它们与药物混合，它们就不会形成稳定的纳米颗粒，"雷克说。"如果我们能够确定最佳混合比例，那么我们就可以形成颗粒并保持其稳定性。"
目标药物和辅料的不同组合。图片来源：杜克大学
除了无法同时考虑成分及其数量外，当前的方法还面临其他挑战。更复杂的AI平台善于识别特性和高效比例，但它们需要海量数据集进行有效训练。而更简单的方法虽然可以使用较小的数据集，但难以区分相似的材料。
雷克和张子路希望使用他们新开发的由AI引导的可调纳米颗粒平台（TuNa-AI）来解决这些挑战。使用自动化液体处理平台，研究团队创建了一个包含1,275种不同配方的数据集，这些配方由不同的治疗分子和辅料组成，辅料是非活性物质，如着色剂、防腐剂和其他改善药物物理特性和吸收的分子。
"通过使用机器人技术，我们能够非常系统地将许多不同成分以许多不同配方组合在一起，"张子路说。"然后，我们的AI模型能够分析这些数据，了解不同材料在不同条件下的表现，并推断这些知识以选择优化的纳米颗粒。"
研究团队发现，与标准方法相比，他们的TuNa-AI模型使成功形成纳米颗粒的比例提高了42.9%。作为概念验证，他们展示了该平台能够成功配制一种更有效包裹白血病化疗药物维奈托克（venetoclax）的纳米颗粒。与单独使用非包裹药物相比，维奈托克纳米颗粒显示出更好的溶解性，并且在实验室中能够更有效地阻止白血病细胞的生长。
在第二个案例研究中，他们的AI引导平台在第二种化疗药物的配方中将潜在致癌性辅料的使用减少了75%，同时保持了药物的有效性并改善了小鼠模型中的生物分布。
"我们展示了TuNa-AI不仅可以用于识别新的纳米颗粒，还可以优化现有材料使其更安全，"张子路说。
除了将平台扩展到处理用于各种治疗和诊断应用的其他类型生物材料外，研究团队还在积极与杜克大学内外的研究人员和医生合作，利用该平台改进难治疾病的药物递送。
"该平台是为治疗应用设计和优化纳米颗粒的重要基础步骤，"雷克说。"现在，我们期待着通过使现有和新疗法更有效和更安全来治疗疾病。"
【全文结束】
