Une nouvelle formulation créée grâce à l’IA, permet aux vaccins à ARN de résister aux hautes températures.

infohightech ·

Les vaccins à ARN, dont l’efficacité contre la Covid-19 a été prouvée, sont actuellement développés pour traiter d’autres maladies, notamment le cancer. Cependant, leur nécessité d’une conservation à très basse température peut compliquer leur distribution. Des chercheurs du MIT ont mis au point une approche prometteuse qui pourrait permettre de surmonter cette difficulté.

Des ingénieurs du MIT ont trouvé un moyen de stabiliser les nanoparticules lipidiques utilisées pour administrer les vaccins à ARN, ce qui pourrait permettre une distribution plus large de ces vaccins.

Représentation artistique de l’algorithme d’optimisation par IA utilisé par l’équipe du MIT pour concevoir des formulations de nanoparticules lipidiques permettant aux vaccins à ARN de rester stables à des températures plus élevées. Crédit : Second Bay Studios

Les vaccins à ARN, dont l’efficacité contre la Covid-19 a été démontrée, sont actuellement développés pour de nombreuses autres maladies, notamment le cancer. L’un des inconvénients de ces vaccins est la nécessité d’une conservation à très basse température, mais des chercheurs du MIT ont trouvé une solution prometteuse pour pallier cette limitation.

Grâce à un algorithme d’intelligence artificielle, les chercheurs ont optimisé la formulation des nanoparticules lipidiques habituellement utilisées pour l’administration des vaccins à ARNm, les rendant ainsi plus résistants à la chaleur. Cette approche leur a permis de formuler des vaccins stables jusqu’à un an à température ambiante, ou deux mois à près de 38 °C.

L’administration à des souris de vaccins contre la Covid-19 véhiculés par ces particules a induit une réponse immunitaire aussi forte qu’un vaccin à ARN similaire à celui développé par Moderna. Grâce à un algorithme d’intelligence artificielle permettant de prédire les formulations optimales des particules, les chercheurs ont pu réduire considérablement le nombre d’expériences nécessaires, accélérant ainsi le processus de développement.

« Le véritable atout de cet algorithme réside dans sa capacité à être utilisé avec de petits ensembles de données », explique Ana Jaklenec, chercheuse principale à l’Institut Koch de recherche intégrative sur le cancer du MIT. « Mener des milliers d’expériences est extrêmement difficile ; cet algorithme nous permet donc d’obtenir plus facilement des formulations présentant les caractéristiques souhaitées, en l’occurrence la stabilité. »

Ana Jaklenec et Robert Langer, professeur à l’Institut David H. Koch, sont les auteurs principaux de l’article, paru aujourd’hui dans Nature Biotechnology . L’étudiant diplômé Jinbi Tian et le postdoctorant Khanh Tran en sont les premiers auteurs.

Vaccins stables

L’ARN étant une molécule très fragile, les chercheurs le stabilisent à l’aide de nanoparticules lipidiques (LNP) qui le protègent de la dégradation et facilitent sa pénétration dans les cellules. Cependant, ces vaccins ARN-LNP doivent être conservés à basse température (entre -20 et -80 degrés Celsius), ce qui complique leur transport vers les régions dépourvues d’installations de stockage frigorifique.

Rendre ces vaccins plus résistants à la chaleur permettrait non seulement d’élargir leur distribution, mais pourrait aussi aider les chercheurs à développer de nouveaux vaccins administrables par des méthodes innovantes, comme les patchs à micro-aiguilles. Ces patchs contiennent des centaines de micro-aiguilles imprégnées de vaccin, qui se dissolvent au contact de la peau, libérant ainsi le vaccin.

Pour créer des vaccins à ARN plus stables, les chercheurs ont expérimenté l’ajout de divers excipients (sucres, sels ou polymères) aux LNP. Jaklenec et Langer ont récemment mis au point des LNP stabilisées par des polymères, capables de résister à des températures plus élevées. Toutefois, ces LNP différaient légèrement des formulations approuvées par la FDA pour les vaccins contre la Covid-19 de Moderna et Pfizer. 

Dans leur nouvel article, les chercheurs ont voulu voir s’ils pouvaient trouver un moyen de rendre ces formulations approuvées par la FDA plus stables à haute température.

Ils ont commencé par réutiliser certains excipients qui avaient fonctionné lors de leurs précédents essais, mais ils étaient « vraiment bloqués », explique Jaklenec. « Nous essayions d’utiliser et de tester des excipients que nous avions déjà utilisés avec succès pour stabiliser les LNP, mais sans succès. C’était très frustrant pour l’équipe. » 

Pour accélérer leurs progrès, les chercheurs ont décidé d’opter pour une approche d’apprentissage automatique. En collaboration avec des chercheurs du Laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT, ils ont développé un algorithme capable d’effectuer des prédictions à partir de très petits ensembles de données.

« Nous avions déjà utilisé nos algorithmes pour diverses applications de conception expérimentale automatisée, mais jamais pour un problème biologique comme la stabilité des vaccins », explique Mina Konaković Luković, professeure adjointe de génie électrique et d’informatique au Laboratoire d’informatique et d’intelligence artificielle (CSAIL) du MIT, et co-auteure de l’article. « Nous avons été surpris de constater la rapidité avec laquelle l’algorithme a convergé vers une formulation stable, y parvenant en quelques itérations seulement, au lieu de la recherche exhaustive habituellement nécessaire. » 

Les chercheurs ont utilisé cet algorithme pour analyser près de 50 excipients approuvés par la FDA. Pour chaque excipient, ils ont d’abord mesuré sa capacité à stabiliser l’ARN une fois incorporé dans une nanoparticule lipidique (LNP). Ils ont ensuite utilisé ces particules pour introduire dans des cellules de l’ARNm codant pour une protéine appelée luciférase de luciole, qui produit de la bioluminescence. En mesurant la quantité de lumière émise par les cellules, les chercheurs ont pu déterminer l’efficacité de chaque excipient pour protéger l’ARNm.

Les chercheurs ont sélectionné cinq excipients parmi les plus prometteurs et ont utilisé leur algorithme d’IA pour prédire les proportions optimales de ces excipients afin de stabiliser au mieux des LNP similaires à celles utilisées par Moderna. À partir de ces prédictions, ils ont testé simultanément deux formulations sur des cellules, réinjecté les résultats dans l’algorithme et généré de nouvelles prédictions. Après plusieurs itérations, ils ont retenu une formulation jugée suffisamment prometteuse pour mener des essais cliniques sur des animaux.

Ce processus n’a pris que quelques semaines, bien moins qu’il n’en aurait fallu sans l’aide de l’algorithme d’IA.

« Avant de mettre en œuvre l’algorithme d’IA, nous avons passé plusieurs mois à tester différentes combinaisons et à effectuer un présélectionnement de tous les excipients que nous pouvions trouver, mais rien ne nous permettait d’atteindre une stabilité à 100 % », explique Tran.

Réponses immunitaires robustes

Pour tester la thermorésistance de leur nouvelle formulation de LNP, les chercheurs ont utilisé ces particules pour encapsuler des antigènes d’ARNm du Covid-19, puis les ont déshydratées par un procédé appelé séchage sous vide. Ces particules ont ensuite été conservées à 37 °C pendant deux mois, ou à température ambiante pendant un an. Les souris vaccinées avec ces particules, même après une conservation prolongée, ont présenté des réponses immunitaires équivalentes à celles des souris ayant reçu des vaccins véhiculés par des LNP similaires à la formulation originale de Moderna.

Les chercheurs ont également utilisé leur nouvelle formulation thermorésistante pour créer des patchs solides à micro-aiguilles capables de délivrer un antigène du SARS-CoV-2. Ces patchs ont généré une réponse immunitaire similaire à celle produite par les vaccins à ARN injectables.  

« Notre approche élargit le champ d’application non seulement des vaccins à ARNm, mais aussi des produits thérapeutiques ou des plateformes d’administration de médicaments avancées comme les particules à libération contrôlée ou les patchs à micro-aiguilles, ce qui exige que la formulation soit à l’état solide ou stable à température élevée », explique Tian. 

Les chercheurs ont également démontré que leur algorithme permettait de stabiliser d’autres formulations de LNP, notamment une formulation similaire à celle utilisée par Pfizer pour son vaccin contre la Covid-19. Cette formulation utilise les mêmes excipients que celle développée par l’équipe du MIT pour les LNP de Moderna, mais dans des proportions différentes. Selon les chercheurs, une fois qu’une formulation thermorésistante aura été mise au point, chaque LNP pourra être adaptée pour transporter tout type d’ARNm. 

Ces recherches ont été financées en partie par la Fondation Gates.

https://news.mit.edu/2026/new-formulation-helps-rna-vaccines-withstand-high-temperatures-0928

Cet article vous a été utile ? Partagez-le.