بهبود توسعه دارو با نقشه گسترده ای از سیستم ایمنی بدن | اخبار MIT

سیستم ایمنی بدن انسان شبکه ای متشکل از تریلیون ها سلول است که به طور مداوم در سراسر بدن در حال گردش هستند. شبکه سلولی تعاملات را با هر اندام و بافتی تنظیم می کند تا لیستی غیرممکن از عملکردهایی را انجام دهد که دانشمندان هنوز در حال کار برای درک آن هستند. تمام این پیچیدگی توانایی ما را برای پیش‌بینی اینکه کدام بیماران به درمان‌ها پاسخ خواهند داد و کدامیک ممکن است دچار عوارض جانبی ناتوان‌کننده شوند را محدود می‌کند.

این مسئله اغلب شرکت‌های داروسازی را به توقف تولید داروهایی که می‌تواند به بیماران خاص کمک کند، متوقف می‌کند، حتی زمانی که داروها نتایج امیدوارکننده‌ای برای برخی افراد نشان می‌دهند، آزمایش‌های بالینی را متوقف می‌کنند.

اکنون، Immunai با ساختن یک نقشه جامع از سیستم ایمنی به پیش‌بینی چگونگی پاسخ بیماران به درمان‌ها کمک می‌کند. این شرکت پایگاه داده وسیعی را به نام AMICA جمع آوری کرده است که لایه های متعددی از داده های بیان ژن و پروتئین در سلول ها را با داده های کارآزمایی بالینی ترکیب می کند تا داروهای مناسب را با بیماران مناسب مطابقت دهد.

نوام سولومون، یکی از بنیانگذاران و مدیرعامل Immunai می گوید: «نقطه شروع ما ایجاد چیزی بود که من آن را Google Maps برای سیستم ایمنی می نامم. ما با توالی یابی RNA تک سلولی شروع کردیم، و به مرور زمان «omics» بیشتر و بیشتری اضافه کردیم: ژنومیک، پروتئومیکس، اپی ژنومیک، همه برای اندازه گیری بیان سلولی و عملکرد سیستم ایمنی، برای اندازه گیری محیط ایمنی به طور کلی. سپس ما شروع به کار با شرکت‌های دارویی و بیمارستان‌ها کردیم تا سیستم ایمنی بیماران تحت درمان را نمایان کنیم تا واقعاً به مکانیسم‌های اصلی عمل و مقاومت برای درمان‌ها برسیم.

بنیاد داده های بزرگ Immunai نتیجه پیشینه منحصر به فرد بنیانگذاران آن است. Solomon و یکی از بنیانگذاران Luis Voloch ’13, SM ’15 دارای مدرک در ریاضیات و علوم کامپیوتر هستند. در واقع، سولومون در زمان تأسیس ایمونای، فوق دکترای دپارتمان ریاضیات MIT بود.

Solomon ماموریت Immunai را به عنوان متوقف کردن واگرایی چندین دهه علم کامپیوتر و علوم زیستی تعریف می کند. او بر این باور است که بزرگترین عامل محرک انفجار محاسبات قانون مور بوده است – توانایی ما برای افزایش تصاعدی تعداد ترانزیستورهای روی یک تراشه در 60 سال گذشته. در صنعت داروسازی برعکس این اتفاق می افتد: توسط یک تخمین، هزینه توسعه یک داروی جدید تقریباً هر نه سال دو برابر می شود. این پدیده را قانون Eroom نامیده اند (“Eroom” به معنای “مور” که به عقب نوشته می شود).

سولومون روند فرسایشی را برای تولید داروهای جدید می بیند که عواقب زیادی برای بیماران دارد.

“چرا اگر شرکت‌های دارویی بازدهی سرمایه‌گذاری نکنند، آیا باید روی کشف سرمایه‌گذاری کنند؟» سلیمان می پرسد. “امروزه، تنها 5 تا 10 درصد احتمال دارد که هر کارآزمایی بالینی موفقیت آمیز باشد. آنچه ما از طریق یک نقشه برداری بسیار قوی و دانه ای از سیستم ایمنی ساخته ایم، فرصتی برای بهبود مراحل بالینی و بالینی توسعه دارو است.

تغییر در برنامه ها

سلیمان زمانی که 14 ساله بود وارد دانشگاه تل آویو شد و در 19 سالگی مدرک لیسانس خود را در رشته علوم کامپیوتر گرفت. او دو مدرک دکترا را در اسرائیل گرفت، یکی در علوم کامپیوتر و دیگری در ریاضیات، قبل از اینکه در سال 2017 به عنوان فوق دکترا به MIT آمد تا ریاضیات خود را ادامه دهد. حرفه پژوهشی

در آن سال سولومون با ولوچ آشنا شد که قبلاً مدرک لیسانس و فوق لیسانس خود را در رشته ریاضی و علوم کامپیوتر از MIT گرفته بود. اما محققان به زودی در معرض مشکلی قرار گرفتند که آنها را از منطقه امن خود خارج کرد و مسیر شغلی آنها را تغییر داد.

پدربزرگ ولوچ در آن زمان در حال دریافت یک کوکتل از درمان های سرطان بود. سرطان رو به بهبودی رفت، اما او دچار عوارض جانبی وحشتناکی شد که باعث شد داروی خود را متوقف کند.

Voloch و Solomon شروع کردند به این فکر که آیا تخصص آنها می تواند به بیمارانی مانند پدربزرگ Voloch کمک کند.

سولومون به یاد می‌آورد: «وقتی متوجه شدیم می‌توانیم تأثیر بگذاریم، تصمیم سختی گرفتیم که فعالیت‌های تحصیلی خود را متوقف کنیم و سفر جدیدی را آغاز کنیم. “این نقطه شروع ایمونای بود.”

ولوچ و سولومون به زودی با بنیانگذاران علمی Immunai، Ansu Satpathy، محقق در آن زمان در دانشگاه استنفورد، و دنی ولز، محقق در موسسه پارکر برای ایمونوتراپی سرطان، شریک شدند. Satpathy و Wells نشان داده بودند که توالی RNA تک سلولی می تواند برای به دست آوردن بینشی در مورد اینکه چرا بیماران به یک درمان رایج سرطان پاسخ متفاوت می دهند، استفاده شود.

این تیم شروع به تجزیه و تحلیل داده های توالی RNA تک سلولی منتشر شده در مقالات علمی کردند و سعی کردند نشانگرهای زیستی رایج را با نتایج بیمار مرتبط کنند. سپس آنها داده‌های پایگاه‌داده سلامت عمومی Biobank بریتانیا را ادغام کردند و دریافتند که می‌توانند پیش‌بینی‌های مدل‌های خود را بهبود بخشند. به زودی آن‌ها داده‌های بیمارستان‌ها، مؤسسات تحقیقاتی دانشگاهی و شرکت‌های داروسازی را ترکیب کردند و اطلاعات مربوط به ساختار، عملکرد و محیط سلول‌ها (مولتیومیکس) را تجزیه و تحلیل کردند تا تصویر واضح‌تری از فعالیت ایمنی به دست آورند.

سولومون توضیح می‌دهد: «توالی‌یابی تک سلولی به شما معیارهایی می‌دهد که می‌توانید آن را در هزاران سلول اندازه‌گیری کنید، جایی که می‌توانید به 20000 ژن مختلف نگاه کنید، و این معیارها یک نمایه ایمنی به شما می‌دهند.» وقتی همه اینها را در طول زمان اندازه گیری می کنید، به خصوص قبل و بعد از درمان، و بیمارانی را که پاسخ می دهند با بیمارانی که پاسخ نمی دهند مقایسه می کنید، می توانید از مدل های یادگیری ماشینی برای درک علت استفاده کنید.

این داده‌ها و مدل‌ها AMICA را تشکیل می‌دهند، چیزی که Immunai آن را بزرگترین پایگاه دانش ایمنی در سطح سلولی در جهان می‌نامد. AMICA مخفف عبارت Annotated Multiomic Immune Cell Atlas است. این داده‌های چند سلولی تقریباً 10000 بیمار و داده‌های انبوه RNA از 100000 بیمار را در بیش از 800 نوع سلول و 500 بیماری تجزیه و تحلیل می‌کند.

هسته اصلی رویکرد Immunai تمرکز بر سیستم ایمنی است که سایر شرکت ها به دلیل پیچیدگی از آن اجتناب می کنند.

سولومون می‌گوید: «ما نمی‌خواهیم مانند سایر گروه‌هایی باشیم که عمدتاً در حال مطالعه ریزمحیط‌های تومور هستند. ما به سیستم ایمنی نگاه می کنیم زیرا سیستم ایمنی مخرج مشترک است. این تنها سیستمی است که در هر بیماری نقش دارد، در پاسخ بدن شما به هر چیزی که با آن مواجه می شوید، خواه این یک عفونت ویروسی باشد یا عفونت باکتریایی یا دارویی که دریافت می کنید – حتی نحوه پیری.

تبدیل داده ها به درمان های بهتر

Immunai قبلاً با برخی از بزرگترین شرکت های داروسازی در جهان همکاری کرده است تا به آنها کمک کند تا درمان های امیدوارکننده را شناسایی کنند و آزمایش های بالینی خود را برای موفقیت تنظیم کنند. بینش Immunai می‌تواند به شرکا در تصمیم‌گیری حیاتی در مورد برنامه‌های درمان، دوز، ترکیب داروها، انتخاب بیمار و موارد دیگر کمک کند.

سولومون می‌گوید: «همه در مورد هوش مصنوعی صحبت می‌کنند، اما من فکر می‌کنم هیجان‌انگیزترین جنبه پلتفرمی که ما ساخته‌ایم این واقعیت است که به صورت عمودی یکپارچه است، از آزمایشگاه مرطوب گرفته تا مدل‌سازی محاسباتی با تکرارهای متعدد. به عنوان مثال، ما ممکن است پروفایل ایمنی تک سلولی نمونه‌های بیمار را انجام دهیم، سپس آن داده‌ها را در فضای ابری آپلود می‌کنیم و مدل‌های محاسباتی ما بینش‌هایی را ارائه می‌کنند، و با آن بینش‌ها اعتبارسنجی in vitro یا in vivo انجام می‌دهیم تا ببینیم آیا مدل‌های ما درست هستند و به طور مکرر آنها را بهبود می بخشند.”

در نهایت Immunai می‌خواهد آینده‌ای را ایجاد کند که در آن آزمایش‌های آزمایشگاهی بتوانند با اطمینان بیشتری به توصیه‌ها و درمان‌های جدید تاثیرگذار برای بیماران تبدیل شوند.

“دانشمندان می‌توانند تقریباً هر نوع سرطانی را درمان کنند، اما فقط در موش‌ها. “در مدل های پیش بالینی ما می دانیم که چگونه سرطان را درمان کنیم. در انسان، در بیشتر موارد، ما هنوز نداریم. برای غلبه بر آن، اکثر دانشمندان به دنبال مدل های بهتر ex vivo یا in vivo هستند. رویکرد ما این است که نسبت به سیستم مدل ادم‌تر باشیم، اما دستگاه را با داده‌های بیشتر و بیشتری از سیستم‌های مدل چندگانه تغذیه کنیم. ما نشان می‌دهیم که الگوریتم‌های ما می‌توانند بارها و بارها معیارهای برتر را در شناسایی برترین ویژگی‌های ایمنی پیش‌بالینی که با نتایج بیمار مطابقت دارند، شکست دهد.»