A Universal, AI-based Design Framework for Efficient Manufacturing of mRNA Therapeutics

Dit paper introduceert een universeel, AI-gedreven ontwerpkader dat de productie van mRNA-therapieën democratiseert en versnelt door de IVT-opbrengst van bestaande en nieuwe middelen aanzienlijk te verhogen via een schaalbaar screeningsproces en interpreteerbare deep learning-modellen.

De kern

Stel je voor dat je een gigantische fabriek hebt die medicijnen maakt op basis van instructies uit het DNA. Deze medicijnen heten mRNA-therapieën (dezelfde technologie die de COVID-vaccins zo snel mogelijk maakte).

Het probleem is nu: elke keer als je een nieuw medicijn wilt maken, moet je de fabriek volledig opnieuw inrichten. Het is alsof je voor elke nieuwe auto een nieuwe assemblagelijn moet bouwen. Dit is duur, traag en maakt het moeilijk om nieuwe medicijnen voor zeldzame ziekten te maken.

De onderzoekers in dit artikel hebben een oplossing bedacht die de biotechnologie kan veranderen, vergelijkbaar met hoe de computerwereld is veranderd. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: De "Maakbaarheid" is een mysterie

In de computerwereld hebben ze een slimme truc bedacht: ze scheiden het ontwerp van de chip van de productie. Of je nu een spelcomputer of een supercomputer ontwerpt, de fabriek werkt altijd hetzelfde. Ze noemen dit "universele ontwerpregels".

Bij mRNA-medicijnen is dit niet zo. Als je een nieuw stukje RNA ontwerpt, weet je vaak niet of de fabriek (de enzymen in het lab) dat stukje goed kan kopiëren. Soms lukt het perfect, soms stopt de machine halverwege of maakt hij rommel. Het is alsof je een brief schrijft, maar je niet weet of de postbode hem wel kan bezorgen omdat de letters te moeilijk zijn om te lezen.

2. De oplossing: Een enorme test met 1 miljoen proefballonnetjes

Om dit op te lossen, hebben de onderzoekers iets geks gedaan: ze hebben 1 miljoen verschillende DNA-reeksen ontworpen. Dit is een enorm scala aan mogelijke "brieven", variërend van menselijk DNA tot bacteriën en virussen.

Ze hebben al deze 1 miljoen stukjes tegelijk in een grote bak gedaan en geprobeerd ze te kopiëren (dit heet in vitro transcriptie). Vervolgens hebben ze gekeken welke stukken het goed deden en welke stukken faalden.

• De analogie: Het is alsof je 1 miljoen verschillende auto-ontwerpen in één keer op een testbaan rijdt om te zien welke ontwerpen soepel rijden en welke vastlopen.

3. De AI-detective: MAP-Net

Uit deze enorme hoeveelheid data hebben ze een kunstmatige intelligentie (AI) getraind, genaamd MAP-Net.

• Wat doet deze AI? Hij kijkt naar de volgorde van de letters in het DNA en zegt: "Ah, deze volgorde is een ramp voor de fabriek!" of "Deze volgorde is een droom voor de fabriek!"
• Hoe werkt het? De AI heeft geleerd dat bepaalde patronen (zoals herhalende letters of bepaalde bochten in de structuur) de machine laten struikelen. Hij fungeert als een super-snel testlab dat je vertelt of je ontwerp "maakbaar" is, nog voordat je het in de echte fabriek probeert.

4. De slimme ontwerper: De Genetische Algorithm

Nu hebben ze een tweede slimme tool: een Genetisch Algorithm. Dit is een soort digitale ontwerper die werkt als een evolutionaire game.

• Je geeft hem een medicijnontwerp dat moeilijk te maken is.
• De AI kijkt er naar en zegt: "Verander hier en daar een letter (zonder de betekenis van het medicijn te veranderen)."
• De AI probeert duizenden variaties en kiest de versie die het makkelijkst te maken is.

Het resultaat: Ze hebben dit getest op twee echte medicijnen (een COVID-vaccin en een gen-therapie).

• Ze konden de opbrengst (hoeveel medicijn er uit de machine kwam) 7,5 keer verhogen.
• Ze konden ook medicijnen maken die minder goed werkten, puur om te bewijzen dat hun systeem het echt begrijpt.

5. De toekomst: Democratie in medicijnen

De grootste winst is dat ze nu twee dingen tegelijk kunnen optimaliseren:

1. Hoe makkelijk het is te maken (voor de fabriek).
2. Hoe goed het werkt in het lichaam (voor de patiënt).

Vroeger moest je kiezen: of het medicijn was makkelijk te maken, of het werkte goed. Nu kunnen ze beide krijgen.

De grote vergelijking:
Net zoals de regels voor het ontwerpen van computerchips (VLSI) ervoor zorgden dat elke startup een chip kon ontwerpen zonder een eigen fabriek te bouwen, zorgt dit nieuwe AI-systeem ervoor dat elke universiteit of klein bedrijf een mRNA-medicijn kan ontwerpen dat direct in elke fabriek geproduceerd kan worden.

Kort samengevat:
Ze hebben een "universale handleiding" bedacht voor het maken van mRNA-medicijnen. Met behulp van AI weten ze nu precies welke ontwerpen de fabriek soepel laten lopen. Dit maakt het maken van nieuwe medicijnen sneller, goedkoper en toegankelijker voor iedereen, niet alleen voor de grote farmaceutische bedrijven.

Technische samenvatting

Probleemstelling

De groei van mRNA-therapieën wordt momenteel beperkt door gebrek aan schaalbaarheid en flexibiliteit in de productie. Elk mRNA-product vereist momenteel een op maat gemaakt productieproces, wat leidt tot hoge kosten (honderden miljoenen dollars) en lange doorlooptijden voor schaalvergroting. De belangrijkste bottleneck in de productie is de in vitro transcriptie (IVT), waarbij DNA wordt omgezet in mRNA door T7 RNA-polymerase. De opbrengst en kwaliteit van deze transcriptie zijn sterk afhankelijk van de specifieke sequentie van het DNA-template. Huidige ontwerpprinses focussen voornamelijk op codonoptimalisatie voor betere vertaling in de cel, maar negeren vaak de factoren die de IVT-productie-efficiëntie beïnvloeden, zoals secundaire structuren, poly-purine/pyrimidine-rijke sequenties en T7-terminators. Dit gebrek aan een universeel ontwerpramwerk maakt het moeilijk om mRNA-therapieën snel en kosteneffectief te ontwikkelen.

Methodologie

De auteurs hebben een geavanceerd, AI-gedreven raamwerk ontwikkeld dat de sequentieontwerp loskoppelt van het productieproces, vergelijkbaar met de "universal design rules" in de halfgeleiderindustrie.

1. Grootschalige Screening:

   • Er werd een bibliotheek van 1 miljoen unieke DNA-templates (300-mers) ontworpen, bestaande uit genomische fragmenten uit vijf koninkrijken (virussen, bacteriën, schimmels, planten, dieren).
   • Deze bibliotheek bevatte 100% van alle mogelijke 11-mers en 95% van de 12-mers.
   • De templates werden onderworpen aan vier verschillende IVT-productieprocessen: twee batch-processen (commercieel en in-house), semi-continu en continu-flow.

2. Sequencing en Kwantificering:

   • Zowel de input-DNA-templates als de output-mRNA-pools werden direct gesequenced met Oxford Nanopore Technology (long-read sequencing).
   • Door de diepte van het sequencing van volledige DNA-templates te vergelijken met die van volledige IVT-mRNA-producten, werd een nieuwe metriek gedefinieerd: de Pseudoyield (PY). PY representeert het aantal volledige mRNA-moleculen dat per DNA-template-molecuul wordt geproduceerd, zonder PCR-bias.

3. AI-Model Ontwikkeling (MAP-Net):

   • Een Multi-Scale Attention Projection Network (MAP-Net) werd getraind om de PY direct te voorspellen op basis van de primaire DNA-sequentie.
   • Het model gebruikt een hybride architectuur met 1D-convolutielagen en Transformer-encoders om patronen op verschillende schalen (k-mers) te leren.
   • Een aandachtslaag (attention layer) maakt het model interpreteerbaar, waardoor het specifieke sequentiemotieven kan identificeren die verantwoordelijk zijn voor lage opbrengst.

4. Genetisch Algorithm (GA) voor Optimalisatie:

   • Een genetisch algoritme werd ontwikkeld dat MAP-Net gebruikt als fitness-functie. Dit algoritme introduceert synonyme mutaties in bestaande therapeutische sequenties om de voorspelde PY te maximaliseren (of te minimaliseren voor validatie), zonder de aminozuursequentie te veranderen.

Belangrijkste Bijdragen

• Universeel Ontwerpramwerk: De eerste demonstratie van een AI-platform dat mRNA-ontwerp decoupeert van specifieke productieprocessen, wat een "platform-approach" mogelijk maakt in plaats van product-specifieke aanpassingen.
• MAP-Net Model: Een interpreteerbaar deep-learning model dat de IVT-productie-efficiëntie nauwkeurig voorspelt (correlatie r = 0,78) en de onderliggende moleculaire mechanismen (zoals terminators) kan identificeren.
• Co-Optimalisatie: Het bewijs dat het mogelijk is om sequenties gelijktijdig te optimaliseren voor zowel productie-efficiëntie (PY) als intracellulaire vertalingsefficiëntie (TE), wat vaak als tegenstrijdige doelen werden beschouwd.

Resultaten

• Variatie in Productie: Er werd een variatie van meer dan 100-voud in IVT-opbrengst waargenomen tussen verschillende templates. 67% van de templates had een gemiddelde opbrengst, maar de uitersten (lage en hoge PY) vertoonden duidelijke verschillen in sequentiesamenstelling (bijv. T-rijk, herhalende sequenties, hoge secundaire structuur bij lage PY).
• Validatie van het Model:
  • MAP-Net voorspelde succesvol de negatieve impact van bekende T7-terminators op de opbrengst, zelfs zonder dat deze specifieke sequenties in de trainingsset zaten.
  • Toepassing op twee real-world therapeutische producten (Spike-proteïne van SARS-CoV-2 XBB.8 en hSpCas9) resulteerde in een 7,5-voudige verbetering in IVT-opbrengst ten opzichte van de oorspronkelijke sequenties.
  • De voorspelde opbrengst correleerde sterk (r > 0,98) met de experimenteel gemeten opbrengst.
• Co-Optimalisatie:
  • Bij co-optimisatie van de Wuhan-stam Spike-sequentie voor zowel PY als TE, werden sequenties ontworpen die superieur waren aan zowel de commerciële vaccins (Moderna mRNA-1273 en BioNTech BNT162b2) als aan sequenties geoptimaliseerd met bestaande commerciële software. De nieuwe sequenties vertoonden een PY van 1,34 en TE van 1,65 (vergeleken met 1,09/0,97 en 1,10/0,91 voor de huidige vaccins).
• Biologische Inzichten:
  • De meeste natuurlijke menselijke transcripten hebben een matige tot lage PY, wat suggereert dat de menselijke transcriptoom niet is geëvolueerd voor hoge IVT-productie-efficiëntie.
  • Genen geassocieerd met geurwaarneming (olfactie) hadden de laagste voorspelde PY, wat correleert met hun hoge AU-gehalte.
  • Er werd een sterke correlatie gevonden tussen hoge PY en een hoge transcriptie-initiatie-snelheid in menselijke cellen, wat suggereert dat sequentie-eigenschappen zowel T7- als Pol II-transcriptie beïnvloeden.

Betekenis en Impact

Dit onderzoek markeert een paradigmaverschuiving in de ontwikkeling van mRNA-medicijnen. Door een universeel, AI-gestuurd ontwerpramwerk te introduceren, kunnen fabrikanten:

1. Risico's en Kosten verlagen: Het elimineert de noodzaak voor dure en tijdrovende procesaanpassingen voor elk nieuw product.
2. Schaalbaarheid Verbeteren: Het maakt de overgang naar continue en semi-continue productieprocessen makkelijker, omdat de DNA-templates robuust zijn voor verschillende processen.
3. Toegang Democratiseren: Het stelt kleinere bedrijven en onderzoeksinstituten in staat om sneller en goedkoper mRNA-therapieën te ontwikkelen, wat essentieel is voor het bestrijden van toekomstige pandemieën en zeldzame ziekten.

Kortom, dit werk legt de basis voor een nieuwe generatie mRNA-therapieën die niet alleen effectiever zijn in de cel, maar ook veel efficiënter en goedkoper in productie.