تحول داروهای مبتنی بر RNA، عمدتاً به واسطه استفاده از نانوذرات لیپیدی (LNPs) ممکن شده است؛ این نانوذرات نقش اساسی در انتقال مؤثر RNA به سلول های هدف دارند و تعیین کننده موفقیت درمانی هستند. اما مهمترین چالش در طراحی فرمولاسیون های LNP، انتخاب ترکیب و نسبت بهینه ی لیپیدهاست؛ فرآیندی که با روش های کلاسیک آزمایشگاهی نیازمند منابع و زمان بسیار زیاد بوده و تمام فضای طراحی را پوشش نمی دهد.

معرفی مدل COMET

در این مقاله، پژوهشگران با تلفیق داده های گسترده ی تجربی و رویکردهای هوش مصنوعی پیشرفته، مدل جدیدی به نام COMET (Composite Material Transformer)  ارائه کرده اند که بر پایه شبکه عصبی ترنسفورمر ساخته شده است. این مدل با بهره گیری از یکی از بزرگترین بانک های داده ای موجود (LANCE) شامل بیش از ۳۰۰۰ نمونه مختلف فرمولاسیون LNP، آموزش دیده است و هدف آن پیش بینی عملکرد، اثربخشی و پایداری فرمولاسیون های مرسوم و نوظهور با سرعت و دقت بالا میباشد.

ویژگی ها و قابلیت های مدل

• پوشش وسیع فضای طراحی: COMET قادر است با غربالگری بیش از ۵۰ میلیون فرمولاسیون مجازی، گزینه های بهینه را شناسایی کند.
• تطبیق با فرمولاسیون های پیچیده: مدل توانایی تحلیل ترکیبات دو لیپید یونیزه شونده و پلیمر- لیپید را دارد و حتی با داده های اندک نیز در شرایط جدید (مثل سلول انسانی جدید یا فرمولاسیون پس از لیوفیلیزاسیون) عملکرد قابل اتکایی از خود نشان میدهد.
• دقت پیش بینی: مطابق اعتبارسنجی آزمایشگاهی روی سلول های موشی، مدل COMET توانسته است ضریب اسپیرمن ۰.۸۷ و پیرسون ۰.۸۶ را در تخمین اثربخشی فرمولاسیون ها کسب کند (اعداد نزدیک به ۱ نشان دهنده همبستگی و تشخیص بسیار بالای مدل است)، که بیانگر قدرت طبقه بندی و تشخیص بالاست.
• شناسایی فرمولاسیون های برتر: بسیاری از گزینه های پیشنهادی COMET نه تنها از نمونه های تجاری، بلکه از بهترین موارد موجود نیز عملکرد بالاتری داشته اند و برخی تا ۴۰ برابر راندمان بیان را افزایش دادند.
• عملکرد و مقایسه با روش های کلاسیک: مدل COMET در مقایسه با الگوریتم های سنتی مانند k-nearest neighbours و random forest، به ویژه در شرایط پیچیده و دیتاست های بزرگ، عملکرد و تطبیق بسیار بالاتری دارد. با بهره گیری از یادگیری چندوظیفه ای و ترکیب مدل ها (ensemble)، حتی در در شرایط داده محدود نیز دقت خود را حفظ می کند و خروجی های باثبات ارائه می دهد.

در مجموع، مدل COMET با رمزگذاری داده های ترکیبی و توسعه یافته بر مبنای معماری ترنسفورمر، ابزاری پیشرفته و منعطف برای پیش بینی، بهینه سازی و طراحی سریع داروهای مبتنی بر RNA ارائه می دهد. این رویکرد، نه تنها موجب تسریع و صرفه جویی چشمگیر در زمان و هزینه آزمایشگاهی می شود، بلکه توسعه نسل جدید درمان های هوشمند داروهای RNA محور را عملی و ممکن می سازد.

مرجع

https://doi.org/10.1038/s41565-025-01975-4

شرح تصویر: شماتیک مدل :COMETاین مدل با دریافت اجزای فرمولاسیون و پارامترهای ساخت نانوذرات لیپیدی، می تواند اثربخشی فرمولاسیون های جدید را  به سرعت و دقیق پیش بینی کند.