Messenger RNA (mRNA)-vaccins zorgen voor een revolutie in de behandeling van kanker. Ze kunnen in korte tijd flexibel worden ontwikkeld, waardoor tijdelijke expressie van meerdere antigenen mogelijk is voor veilige en efficiënte immunisatie. Een diversiteit aan mRNA-vaccins wordt in de kliniek onderzocht ten behoeve van patiënten met kanker.

De vertaling van mRNA-vaccins wordt echter nog steeds belemmerd door meertrapsafgiftebarrières voordat een sterke immuniteit wordt geïnitieerd, waaronder snelle klaring, slechte targeting op lymfoïde organen en dendritische cellen, katalytische hydrolyse en een zwak vermogen om door fosfolipidedubbellagen te gaan. Bovendien kan vaccinatie met alleen mRNA bij afwezigheid van adjuvantia nauwelijks een sterke immuunrespons opwekken. Het blijft een uitdaging om de cytosolische afgifte van mRNA te verbeteren en de in vivo vaccinatie-effectiviteit ervan in combinatie met adjuvantia te bevorderen.

In de afgelopen decennia is gerapporteerd dat een groot aantal nanocarriers de transfectie-effectiviteit van nucleïnezuurmedicijnen bevorderen of medicijnen afleveren aan lymfeklieren. Deze onderzoeken bieden waardevolle kenmerken, waaronder grootte, oppervlaktelading, modificatie, reactievermogen, componenten en cytotoxiciteit om het doel van lymfeklierdrainage of cytosolische toegang te bereiken.

Machine learning-technieken bieden krachtige hulpmiddelen voor het onderzoeken van de fysisch-chemische kenmerken en biologische kenmerken van deze nanodeeltjes, en vergemakkelijken het ontwerp van nanodragers met hoge efficiëntie. Gewoonlijk werden machine learning-modellen getraind, geselecteerd en geoptimaliseerd met hoogwaardige en enorme datasets uit berekeningen en experimentele data met hoge doorvoer, en die op hun beurt het rationele ontwerp, de screening en de optimalisatie van nanocarriers begeleiden.

Door gebruik te maken van de bestaande databases van nanocarriers kan machine learning met hoge efficiëntie inzicht verschaffen in het rationeel ontwerp van nanovaccins.

In een nieuw onderzoeksartikel gepubliceerd in de National Science Review gebruikten wetenschappers van de Chinese Academie van Wetenschappen en de Shanghai Jiao Tong Universiteit machinaal leren om het gerationaliseerde ontwerp van mRNA-nanovaccins te begeleiden. Deze studie identificeerde de belangrijkste parameters van nanovaccins voor efficiënte afgifte van mRNA en cGAMP op basis van een machine learning-model uit de Nanocarrier Database.

De mRNA/cGAMP-nanocomplexen op basis van met fenylboronzuur geënt polyethyleenimine werden bereid en verder ingekapseld met anionische lipiden om het nanovaccin te verkrijgen.

(1) De negatieve oppervlaktelading van het nanovaccin vermindert de interactie met negatief geladen glycosaminoglycanen in de matrix en verbetert de accumulatie in de lymfeklieren.

(2) Het nanovaccin bevordert, nadat het is geïnternaliseerd door de antigeenpresenterende cellen (APC's) in de lymfeklieren, de afgifte van mRNA en cGAMP van de endosomen naar het cytoplasma, wat de STING-route activeert en de presentatie van tumorantigenen induceert.

(3) De activering van de STING-route bevordert de afgifte van IFN-I, dat de immuunrespons van de T-cellen activeert om tumorcellen te doden en de tumorgroei en metastase te remmen. Vergeleken met alleen het mRNA toonde de therapeutische strategie gebaseerd op dit nanovaccin sterkere antitumoreffecten aan in melanoom- en colorectale kankermodellen.

Het artikel is gepubliceerd in het tijdschrift National Science Review .

Meer informatie: Lei Zhou et al, STING-agonist-versterkte mRNA-immunisatie via intelligent ontwerp van nanovaccins voor het verbeteren van kankerimmunotherapie, National Science Review (2023). DOI:10.1093/nsr/nwad214

Aangeboden door Science China Press