COMET: a rede neural que está transformando o desenvolvimento de nanopartículas lipídicas

As nanopartículas lipídicas (LNPs) são peças-chave no avanço das terapias baseadas em RNA como por exemplo, substituição de proteínas, edição genética, tratamento de doenças raras, etc. Essas estruturas atuam como “veículos” que protegem o material genético e permitem sua entrega de modo eficiente às células. No entanto, o desenvolvimento dessas nanopartículas ainda representa um grande desafio científico.

As LNPs são sintetizadas pela mistura de ácido nucleico com uma solução lipídica tipicamente composta por quatro classes principais de lipídios, como mostra a Figura 1. Propriedades-chave, como eficácia, dependem não apenas da estrutura química desses lipídios, mas também de suas proporções relativas e de parâmetros de formulação, como a razão entre nitrogênio e fosfato (N/P), e a proporção entre as fases aquosa e orgânica durante o processo de preparo.

Esse nível de complexidade explica por que o desenvolvimento dessas nanopartículas é tão desafiador. Na prática, encontrar a combinação ideal de partículas exige testar milhares de variações em laboratório, o que pode ser considerado um processo demorado e caro, e que não consegue explorar todas as possibilidades existentes.

Para contornar esse problema, pesquisadores desenvolveram uma rede neural chamada Composite Material Transformer (COMET), projetada para analisar formulações complexas de nanopartículas de forma integrada. Diferentemente dos métodos tradicionais, que avaliam moléculas isoladamente, COMET considera a nanopartícula como um sistema completo e mais próximo da realidade experimental.

O modelo utiliza uma arquitetura do tipo “transformer”, semelhante à empregada em sistemas modernos de linguagem e integra múltiplos fatores simultaneamente, incluindo a estrutura química dos lipídios, as proporções molares entre os componentes, os parâmetros de síntese, a razão entre fases aquosa e orgânica e a relação entre lipídio e material genético. Essa abordagem permite ao modelo capturar interações complexas entre os componentes mostrando que pequenas mudanças na formulação podem alterar drasticamente a eficiência da entrega de RNA.

Para treinar o sistema, os pesquisadores construíram um extenso banco de dados experimental, contendo mais de 3.000 nanopartículas lipídicas, no qual foi medida a eficiência de entrega de mRNA em diferentes tipos celulares. Com base nesses dados, o COMET aprendeu padrões que permitem prever quais formulações têm maior probabilidade de sucesso.

Os resultados foram expressivos. Além de prever com alta precisão o desempenho das nanopartículas, o modelo foi capaz de explorar virtualmente cerca de 50 milhões de combinações possíveis, identificando novas formulações promissoras. Algumas dessas nanopartículas, quando testadas experimentalmente, apresentaram desempenho superior ao de formulações já utilizadas clinicamente.

Esse avanço representa um passo importante para a área de nanotecnologia aplicada à saúde usando ferramentas como a rede neural COMET para impulsionar o desenvolvimento de terapias mais eficazes, seguras e acessíveis.

Gostou e quer saber mais? Acesse o artigo na íntegra: https://doi.org/10.1038/s41565-025-01975-4