I ricercatori della Northwestern University hanno fatto leva sull’apprendimento automatico per aiutare nella progettazione di nanomedicine per l’immunoterapia. Utilizzando un metodo ad alto rendimento per sintetizzare 800 nanoparticelle immunostimolatorie uniche chiamate Sferic Nucleic Acids (SNAs).
“Gli acidi nucleici sferici rappresentano un’entusiasmante nuova classe di farmaci che sono già impiegati in cinque sperimentazioni cliniche umane per il trattamento di malattie, tra cui il glioblastoma (la forma più comune e letale di tumore al cervello) e la psoriasi”, ha detto il professor Northwestern Chad A. Mirkin, l’inventore degli SNA.
Il team ha sintetizzato queste particelle variando attraverso 11 diversi parametri di progetto, tra cui la dimensione delle particelle, la composizione e lo specifico immunostimolante trasportato. Quindi hanno schermato queste particelle per la loro capacità di attivare le cellule immunitarie e hanno alimentato questi risultati nell’algoritmo di apprendimento automatico di XGBoost. L’algoritmo è stato utilizzato per identificare quali fattori erano più importanti e se c’era un’interazione tra loro. Dato che hanno molte caratteristiche, gli SNA possono essere difficili da ottimizzare, quindi tale tipo di problema è adatto per l’analisi dell’apprendimento automatico.
L’approccio alla libreria associato all’apprendimento automatico ha identificato i progetti migliori dimostrando che il modello era in grado di prevederli con un basso margine d’errore. I ricercatori hanno anche dimostrato che lo spettro delle relazioni struttura-funzione catturate dalla loro libreria potrebbe essere stato identificato con un gruppo di quasi un ordine di grandezza inferiore alla libreria originale che hanno sviluppato. Ciò potrebbe consentire schemi più veloci delle future nanomedicine. Questo studio evidenzia il potenziale dell’apprendimento automatico per supportare il processo di bioingegneria, in particolare laddove vi sono molte variabili di progettazione e una potenziale interazione tra di esse.