p Distrofia muscular de Duchenne (DMD), uma doença genética rara geralmente diagnosticada em meninos, gradualmente enfraquece os músculos do corpo até que o coração ou os pulmões falhem. Os sintomas geralmente aparecem aos 5 anos; conforme a doença progride, os pacientes perdem a capacidade de andar por volta dos 12 anos. Hoje, a expectativa de vida média para pacientes com DMD gira em torno de 26. p Foi uma grande notícia, então, quando Cambridge, A Sarepta Therapeutics, sediada em Massachusetts, anunciou em 2019 uma droga inovadora que tem como alvo direto o gene mutante responsável pela DMD. A terapia usa oligômeros de morfolino fosforodiamidato antisense (PMO), uma grande molécula sintética que permeia o núcleo da célula para modificar o gene da distrofina, permitindo a produção de uma proteína chave que normalmente está ausente em pacientes com DMD. "Mas há um problema com o PMO por si só. Não é muito bom para entrar nas células, "diz Carly Schissel, um Ph.D. candidato no Departamento de Química do MIT.

p Para aumentar a entrega ao núcleo, os pesquisadores podem afixar peptídeos de penetração celular (CPPs) à droga, ajudando assim a atravessar a célula e as membranas nucleares para alcançar seu alvo. Qual sequência de peptídeo é melhor para o trabalho, Contudo, permaneceu uma questão iminente.

p Os pesquisadores do MIT desenvolveram agora uma abordagem sistemática para resolver este problema combinando química experimental com inteligência artificial para descobrir produtos não tóxicos, peptídeos altamente ativos que podem ser anexados ao PMO para auxiliar na entrega. Ao desenvolver essas novas sequências, eles esperam acelerar rapidamente o desenvolvimento de terapias genéticas para DMD e outras doenças.

p Os resultados de seu estudo já foram publicados na revista Química da Natureza em um jornal liderado por Schissel e Somesh Mohapatra, um Ph.D. estudante do Departamento de Ciência e Engenharia de Materiais do MIT, quem são os autores principais. Rafael Gomez-Bombarelli, professor assistente de ciência e engenharia de materiais, e Bradley Pentelute, professor de química, são os autores seniores do artigo. Outros autores incluem Justin Wolfe, Colin Fadzen, Kamela Bellovoda, Chia-Ling Wu, Jenna Wood, Annika Malmberg, e Andrei Loas.

p "Propor novos peptídeos com um computador não é muito difícil. Julgar se eles são bons ou não, isso é o que é difícil, "diz Gomez-Bombarelli." A principal inovação é usar o aprendizado de máquina para conectar a sequência de um peptídeo, particularmente um peptídeo que inclui aminoácidos não naturais, à atividade biológica medida experimentalmente. "

p Dados de sonho

p CPPs são cadeias relativamente curtas, composto de cinco a 20 aminoácidos. Embora um CPP possa ter um impacto positivo na entrega de medicamentos, vários ligados entre si têm um efeito sinérgico no transporte de drogas até a linha de chegada. Essas cadeias mais longas, contendo 30 a 80 aminoácidos, são chamados de miniproteínas.

p Antes que um modelo pudesse fazer previsões valiosas, os pesquisadores do lado experimental precisaram criar um conjunto de dados robusto. Ao misturar e combinar 57 peptídeos diferentes, Schissel e seus colegas conseguiram construir uma biblioteca de 600 miniproteínas, cada um anexado ao PMO. Com um ensaio, a equipe foi capaz de quantificar o quão bem cada miniproteína pode mover sua carga através da célula.

p A decisão de testar a atividade de cada sequência, com PMO já anexado, era importante. Como qualquer medicamento provavelmente mudará a atividade de uma sequência CPP, é difícil redirecionar os dados existentes, e dados gerados em um único laboratório, nas mesmas máquinas, pelas mesmas pessoas, atender a um padrão ouro de consistência em conjuntos de dados de aprendizado de máquina.

p Um dos objetivos do projeto era criar um modelo que pudesse funcionar com qualquer aminoácido. Embora apenas 20 aminoácidos ocorram naturalmente no corpo humano, outras centenas existem em outros lugares - como um pacote de expansão de aminoácidos para o desenvolvimento de medicamentos. Para representá-los em um modelo de aprendizado de máquina, pesquisadores normalmente usam codificação one-hot, um método que atribui cada componente a uma série de variáveis ​​binárias. Três aminoácidos, por exemplo, seria representado como 100, 010, e 001. Para adicionar novos aminoácidos, o número de variáveis ​​precisaria aumentar, o que significa que os pesquisadores estariam presos tendo que reconstruir seu modelo a cada adição.

p Em vez de, a equipe optou por representar os aminoácidos com impressão digital topológica, que está essencialmente criando um código de barras exclusivo para cada sequência, com cada linha no código de barras denotando a presença ou ausência de uma subestrutura molecular particular. "Mesmo que o modelo não tenha visto [uma sequência] antes, podemos representá-lo como um código de barras, que é consistente com as regras que o modelo viu, "diz Mohapatra, que liderou os esforços de desenvolvimento do projeto. Ao usar este sistema de representação, os pesquisadores foram capazes de expandir sua caixa de ferramentas de possíveis sequências.

p A equipe treinou uma rede neural convolucional na biblioteca de miniproteínas, com cada uma das 600 miniproteínas rotuladas com sua atividade, indicando sua capacidade de permear a célula. Logo no início, o modelo proposto miniproteínas carregadas com arginina, um aminoácido que abre um buraco na membrana celular, o que não é ideal para manter as células vivas. Para resolver este problema, pesquisadores usaram um otimizador para descentrar a arginina, evitando que o modelo trapaceie.

p No fim, a capacidade de interpretar as previsões propostas pelo modelo foi fundamental. "Normalmente não é suficiente ter uma caixa preta, porque os modelos podem estar fixando em algo que não é correto, ou porque pode estar explorando um fenômeno de maneira imperfeita, "Gomez-Bombarelli diz.

p Nesse caso, os pesquisadores podem sobrepor as previsões geradas pelo modelo com o código de barras que representa a estrutura da sequência. "Fazer isso destaca certas regiões que o modelo acredita que desempenham o papel principal na alta atividade, "Schissel diz." Não é perfeito, mas dá a você regiões focadas para brincar. Essa informação definitivamente nos ajudaria no futuro a projetar novas sequências empiricamente. "

p Aumento de entrega

p Em última análise, the machine-learning model proposed sequences that were more effective than any previously known variant. One in particular can boost PMO delivery by 50-fold. By injecting mice with these computer-suggested sequences, the researchers validated their predictions and demonstrated that the miniproteins are nontoxic.

p It is too early to tell how this work will affect patients down the line, but better PMO delivery will be beneficial in several ways. If patients are exposed to lower levels of the drug, they may experience fewer side effects, por exemplo, or require less-frequent doses (PMO is administered intravenously, often on a weekly basis). The treatment may also become less costly. As a testament to the concept, recent clinical trials demonstrated that a proprietary CPP from Sarepta Therapeutics could decrease exposure to PMO by 10-fold. Também, PMO is not the only drug that stands to be improved by miniproteins. In additional experiments, the model-generated miniproteins carried other functional proteins into the cell.

p Noticing a disconnect between the work of machine-learning researchers and experimental chemists, Mohapatra has posted the model on GitHub, along with a tutorial for experimentalists who have their own list of sequences and activities. He notes that over a dozen people from across the world have adopted the model so far, repurposing it to make their own powerful predictions for a wide range of drugs. p Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.