Binance
ByBit
WhiteBIT
Раннє виявлення онкології залишається ключем до ефективного лікування – чим менша пухлина, тим більше шансів на успішну терапію. Команди з MIT і Microsoft представили інструмент, що може суттєво прискорити цей шлях: CleaveNet, модель штучного інтелекту для проєктування пептидних сенсорів. Такі сенсори «відгукуються» на протеази – ферменти, які часто надмірно активні у ракових клітинах. Найцікавіше – сигнал із тіла зчитується простим аналізом сечі, що теоретично відкриває двері до уринового тесту вдома.
Як це працює і чому це важливо
Дослідники покривають наночастинки спеціально спроєктованими пептидами. Якщо вони зустрічають протеази, пов’язані з раком, ці пептиди розщеплюються, а їхні фрагменти виводяться із сечею – так формується чіткий діагностичний сигнал. Оскільки розщеплення є ферментативним процесом, воно працює як підсилювач, допомагаючи «витягти» слабкі ознаки хвороби з глибини організму. Це критично для раннього виявлення раку, коли навантаження пухлинними клітинами мінімальне й ураження може лишатися невидимим для традиційної візуалізації.
Від ручного підбору до генеративного дизайну
Раніше команди шукали робочі пептиди методом проб і помилок, що давало корисні, але не завжди специфічні результати. CleaveNet змінює правила: модель генерує послідовності пептидів під задані критерії – ефективність розщеплення та вибірковість до конкретного ферменту. Для демонстрації дослідники зосередилися на MMP13 – протеазі, з якою клітини раку «прорізають» колаген, полегшуючи метастазування. CleaveNet запропонувала нові, не бачені в навчальних даних пептиди, які в експериментах показали високу вибірковість і ефективність для MMP13.
Що всередині AI-моделі
Команда створила «мовну модель білків», яка прогнозує послідовності з амінокислот так само, як великі мовні моделі прогнозують слова. Навчання базувалося на відкритих даних приблизно про двадцять тисяч пептидів і їхній взаємодії з протеазами родини MMP. Далі послідовності перевіряються іншим модулем, який оцінює швидкість і вибірковість розщеплення цільовою протеазою. Така двокрокова архітектура дозволяє швидко відсівати невдалі кандидати та концентрувати ресурси на найперспективніших сенсорах.
Факти дослідження: – Геном людини кодує . – Для пептиду з 10 амінокислот існує приблизно можливих комбінацій. – Навчальні дані CleaveNet: близько і їхні взаємодії з MMP. – Поточний ARPA-H проєкт спрямований на тест, що потенційно може розрізняти на ранніх стадіях.
Від сигнатур до персональної діагностики
У попередніх роботах сенсорні панелі з багатьох пептидів уже давали унікальні «відбитки» активності протеаз у різних онкологіях. Проте конкретна відповідальна протеаза залишалася не завжди очевидною. Завдяки CleaveNet можна цілеспрямовано підсилювати один ключовий фермент і отримувати більш «чистий» сигнал. Це спрощує панелі сенсорів, відкриває шлях до нових біомаркерів і допомагає досліджувати конкретні шляхи метастазування.
Домашні тести та ширші наслідки
Лабораторія Бхатіа працює в рамках ініціативи ARPA-H над створенням репортерів для набору, що потенційно дозволить домашнє тестування та розрізнення до тридцяти типів онкології на ранніх етапах. Сигнал планується зчитувати просто – через смужку для аналізу сечі, за принципом тестів на вагітність. Якщо ця стратегія пройде подальші перевірки, вона може розширити доступ до скринінгу та знизити бар’єри для регулярного моніторингу після операції або під час ремісії.
Далі – терапія та «атлас» протеаз
Окрім діагностики, пептиди, спроєктовані CleaveNet, можуть стати «замками» для розумного вивільнення ліків. Наприклад, терапевтичну молекулу прикріплюють до антитіла через специфічний пептид‑«місток», і препарат від’єднується лише в мікрооточенні пухлини, де працюють цільові протеази. Дослідники також розглядають створення широкого «атласу активності протеаз» для різних класів ферментів і типів раку – інструмента, що прискорить відкриття біомаркерів і розвиток пептидних сенсорів.
Хто стоїть за роботою і де опубліковано
Старші автори дослідження – Санджіта Бхатіа (професорка MIT, членкиня Koch Institute та IMES) і Ава Аміни з Microsoft Research. Провідні автори – Кармен Мартін‑Алонсо та Сара Аламдарі. Робота опублікована в журналі Nature Communications. Дослідження профінансоване La Caixa Foundation, Ludwig Center at MIT і Marble Center for Cancer Nanomedicine.
Вам може бути цікаво:
