گروهی از پژوهشگران دانشگاه کاتانیا در ایتالیا با توسعهٔ یک چارچوب محاسباتی نوین نشان دادهاند که چگونه میتوان طراحی واکسنهای mRNA را با کمک هوش مصنوعی، مدلسازی ایمنیشناسی و دادههای مصنوعی ژنبیان بهصورت کاملاً درونمحاسباتی بهینهسازی کرد؛ رویکردی که میتواند آیندهٔ توسعهٔ واکسنها را متحول کند.
شتابگیری طراحی واکسنهای mRNA با نانوذرات هوشمند
نگرانیهای اخیر دربارهٔ فعالشدن ناخواستهٔ مسیرهای ایمنی در پی تزریق واکسنهای mRNA غیرهدفمند، توجه جامعهٔ علمی را به ضرورت طراحی هوشمند نانوذرات حامل جلب کرده است. اکنون پژوهشی تازه از «دپارتمان علوم سلامت و دارو» در دانشگاه کاتانیا (University of Catania) به رهبری «والنتینا دی سالواتوره» (Valentina Di Salvatore) و همکارانش، افق جدیدی در این مسیر گشوده است. این تیم با تکیه بر تجربهٔ پیشین خود در مدلسازی ایمنیشناسی در محیط محاسباتی و با استفاده از شبیهساز جامع «Universal Immune System Simulator»، چارچوبی طراحی کردهاند که میتواند مسیر توسعهٔ نانوذرات لیپیدی حامل mRNA را از ابتدا تا مرحلهٔ بهینهسازی، بهصورت کامل در فضای محاسباتی هدایت کند.
در این پژوهش، محققان ابتدا مجموعهای از دادههای مصنوعی RNA-seq ایجاد کردند تا الگوهای ژنبیان در بافتهای ایمنی پس از تزریق واکسن شبیهسازی شود. تحلیل بیان تفاضلی ژنها نشان داد که هر بخش بدن، پاسخهای رونویسی متفاوت و ویژهای نشان میدهد. این دادهها مبنایی برای تعریف یک «شاخص ریسک» فراهم کرد که بر اساس میزان فعالشدن مسیرهای ایمنی و شمار ژنهای ایمنیِ فعالشده سنجیده میشود. این شاخص، ابزار مهمی برای پیشبینی خطر واکنشهای ناخواسته در مرحلهٔ طراحی نانوذرات به شمار میرود.
بهطور همزمان، پژوهشگران یک مدل رگرسیون جنگل تصادفی طراحی کردند که روی مجموعهٔ بزرگی از نانوذرات لیپیدی شبیهسازیشده آموزش داده شد. این مدل میتواند شدت فعالشدن مسیرهای ایمنی را براساس پارامترهایی همچون اندازه، بار سطحی، میزان پلیاتیلنگلیکول (PEG) و قابلیت هدفگیری پیشبینی کند. سپس این مدل در یک الگوریتم ژنتیک تعبیه شد تا بهترین ترکیب پارامترها برای ساخت نانوذرات حامل، بهصورت خودکار و دقیق مشخص شود؛ ترکیبی که واکنشهای ناخواستهٔ ایمنی را کاهش داده و رسانش دقیق واکسن به سلولهای هدف را تقویت کند.
اهمیت این چارچوب در آن است که تمام مراحل، از شبیهسازی تا غربالگری اولیهٔ فرمولاسیونها، در محیط محاسباتی انجام میشود. این یعنی محققان میتوانند بدون انجام آزمایشهای زمانبر و پرهزینهٔ آزمایشگاهی، صدها یا هزاران طراحی متفاوت نانوذرات را ارزیابی کرده و تنها بهترین گزینهها را به مرحلهٔ آزمونهای تجربی منتقل کنند. چنین رویکردی میتواند مدتزمان توسعهٔ واکسنها را بهطور چشمگیری کاهش دهد، هزینهها را کم کند و امکان طراحی واکسنهای اختصاصی برای نیازهای خاص بیماران یا بیماریهای نوپدید را فراهم کند.
این پژوهش تأکید میکند که همگرایی سه حوزهٔ کلیدی—مدلسازی مکانیکی ایمنی، دادههای مصنوعی ژنبیان و طراحی بهینهسازیشده با هوش مصنوعی—میتواند مسیر تولید واکسنهای نسل آینده را دگرگون سازد. در چشماندازی بلندمدت، این روش میتواند مفهوم «واکسیناسیون شخصیسازیشده» را به واقعیت نزدیک کند؛ واکسنهایی که بر اساس ویژگیهای بیولوژیکی افراد طراحی میشوند و با سرعت بالا قابل تطبیق با تهدیدهای تازهٔ ویروسی هستند.
