AI спроєктував білковий транспорт для RNA: STV-C8 перевершив природні системи й доставив CRISPR у тканини

AI тут не просто передбачив білок — його дизайн став частиною реальної біологічної машини

2 вересня Nature опублікував peer-reviewed open-access роботу команди Helmholtz Munich і Technical University of Munich про Synthetic Transfer Vehicles, або STV. Це білкові конструкції, які пакують RNA, виходять із клітини-продуцента і доставляють cargo у цільові клітини.

Незвичність у тому, що дослідники не намагалися просто скопіювати природний вірусний capsid. Вони взяли функціональні домени, потрібні для мембранного зв’язування, budding і RNA packaging, та поєднали їх із synthetic protein assemblies, спроєктованими генеративним AI. Частина таких геометрій майже не представлена у природних вірусах.

Після screening понад сотні варіантів найкращим виявився STV-C8 — конструкція з незвичною циклічною C8-симетрією. У cell culture вона переносила RNA значно ефективніше за протестовані natural vehicles і lipid nanoparticles у частині лабораторних порівнянь, а сама система виявилася модульною: можна змінювати RNA cargo та цільові клітини.

Чому доставка RNA — одна з головних проблем сучасної генотерапії

RNA-терапія працює лише тоді, коли молекула переживає шлях до потрібної клітини, потрапляє всередину і опиняється там, де може виконати функцію. «Гола» RNA нестабільна, легко руйнується і погано проходить через мембрани. Саме тому mRNA-вакцини стали можливими не тільки завдяки самій mRNA, а й завдяки lipid nanoparticles — контейнерам, які захищають cargo й допомагають йому потрапити у клітину.

Але LNP мають компроміси. Для багатьох formulations характерне тяжіння до печінки; extrahepatic targeting залишається складним; ефективність endosomal escape часто невисока. Viral vectors теж дуже ефективні, але мають свої обмеження: імуногенність, cargo capacity, складність повторного введення та природну біологію вірусу.

Нова робота фактично ставить питання: а що, якщо не покращувати існуючий вірусний контейнер, а побудувати транспорт із нуля під лабораторну задачу?

Еволюція оптимізувала віруси не для медицини

Вірусний capsid — результат величезного еволюційного відбору. Він має виживати, взаємодіяти з організмом-хазяїном і забезпечувати цикл розмноження. Для терапевтичного RNA-delivery значна частина цих вимог не потрібна.

Generative protein-design models можуть запропонувати фізично можливі архітектури, яких природний відбір ніколи не досліджував або не закріпив. Це не означає, що AI «переміг еволюцію». Швидше він дозволяє інженеру шукати рішення у частині design space, в яку природі не було причини заходити.

Як будували STV

Базова конструкція містила кілька функціональних компонентів. Мембранний домен допомагав майбутній частинці зв’язуватися з plasma membrane. Synthetic late-budding domain рекрутував клітинну ESCRT-систему, необхідну для відбруньковування. Окремий модуль зв’язував RNA через packaging signal.

До цього функціонального набору команда підключала AI-designed structural assemblies різної симетрії: icosahedral, dihedral і cyclic. Після початкових тестів виявилося, що нетипові dihedral та cyclic геометрії часто працювали краще за більш «вірусоподібні» icosahedral.

Дослідники окремо згенерували ще 30 C8-структур і перебрали мембранні домени. Так з’явилася оптимізована версія STV-C8, structural core якої має незвичну planar cyclic architecture.

Найкращий кандидат показав дуже сильний RNA transfer

У роботі немає однієї універсальної цифри «STV у X разів кращий за LNP» для всіх сценаріїв — ефект залежить від assay, target cells і дози. Але автори прямо пишуть, що в окремих порівняннях STV-C8 перевершував tested biological and chemical delivery vehicles на several orders of magnitude за RNA transfer efficiency.

Для оптимізованих vesicles команда також отримала понад 10 000-fold enrichment cargo RNA у supernatant порівняно з control без membrane-binding domain. У head-to-head лабораторних порівняннях із LNP дослідники оцінювали і кількість RNA, потрібну для transfection певної частки клітин, і рівень protein expression на одиницю RNA.

Це важливе уточнення: результат не означає, що STV-C8 уже клінічно кращий за всі LNP. LNP мають роки clinical validation і масштабне виробництво. STV — поки experimental platform. Але лабораторний сигнал достатньо сильний, щоб говорити про новий напрямок.

Таргетинг можна програмувати

Ще одна сильна частина роботи — tropism. Команда під’єднувала computationally designed peptide minibinders, які розпізнають певні surface receptors. У cell models це дозволяло змінювати, які клітини отримують RNA.

Для gene therapy це ключова властивість. Найважче — не лише доставити cargo, а доставити його у правильну тканину і правильний тип клітин. Якщо modular STV можна буде стабільно переналаштовувати під receptors без повного redesign carrier, платформа стане значно цікавішою за одну конкретну конструкцію.

Що саме вони доставляли

STV-C8 не обмежили reporter RNA. Автори показали delivery кількох функціонально різних cargo: mRNA, gene editors, transcription factors і programmable antivirals. Серед інструментів були системи CRISPR/Cas9 та інші programmable редактори.

Тобто робота демонструє не просто fluorescent signal після доставки. Вона перевіряє кілька типів payload і показує, що architecture carrier може пережити зміну cargo.

У мишей signal пішов переважно в легені, а не в печінку

Після intravenous administration у мишей дослідники провели whole-body imaging майже на single-cell resolution. Вони побачили сильну й специфічну expression delivered RNA переважно у легенях, але не у печінці — органі, куди часто спрямовуються багато lipid-based vehicles.

У тестованих умовах команда не виявила immunological або toxicological side effects системного введення. Це обнадійливо, але не рівноцінно повному toxicology package для людини: мова про ранні animal experiments, конкретні дози і конкретну конструкцію.

Proof-of-concept для Duchenne muscular dystrophy

Найприкладніша частина роботи стосується DMD — Duchenne muscular dystrophy. У частини пацієнтів mutation порушує reading frame гена dystrophin. Один із терапевтичних підходів — видалити певний exon так, щоб відновити frame і дозволити клітині синтезувати коротшу, але функціональнішу версію білка.

Дослідники використали STV-C8 для доставки CRISPR/Cas9-компонентів, спрямованих на deletion exon 51. Вони підтвердили editing у skeletal muscle cells, отриманих від пацієнтів із DMD, і провели proof-of-concept у pig muscle.

Це не лікування DMD у свині й не готова терапія. Самі автори прямо пишуть, що локальна intramuscular delivery не є практичним способом лікувати системне м’язове захворювання. Попереду systemic targeting, biodistribution, immune response, manufacturing і довготривала safety.

AI тут не був «автономним ученим»

Важливо правильно описати роль AI. RFdiffusion не самостійно придумав терапію, не вибрав DMD і не провів експеримент. Модель генерувала protein backbones та symmetric assemblies. Люди будували конструкції, додавали functional domains, створювали assays, відбирали результати і проводили cell та animal experiments.

Це хороший приклад human–AI design loop: AI різко розширює простір можливих структур, а експеримент відсіює красиві, але нефункціональні ідеї.

Чому RFdiffusion може придумувати білки, яких немає у природі

RFdiffusion виріс із RoseTTAFold і використовує diffusion-підхід для генерації protein backbones. У foundational paper команда David Baker показала, що метод може створювати monomers, binders, symmetric oligomers і scaffolds під задані molecular constraints. Частину designs підтверджували cryo-EM.

Для STV особливо важлива здатність проектувати symmetric assemblies. Віруси тяжіють до певних геометрій, бо вони еволюційно стабільні. Diffusion model не зобов’язана повторювати статистику природних capsids і може запропонувати planar або low-complexity assembly, якщо воно фізично складається.

Що може піти не так

Шлях від Nature paper до терапії дуже довгий. Потрібно отримати передбачуваний tropism після systemic administration, перевірити repeat-dose immunogenicity, довести scalable manufacturing і стабільність formulation. Будь-який gene-editor cargo має окремі off-target ризики.

Є й translational economics: частина авторів є співвинахідниками patent application, пов’язаної з архітектурою, а Helmholtz Munich говорить про плани transfer technology у spin-off. Це нормально для перспективної platform technology, але commercial interest варто враховувати при оцінці майбутніх заяв.

Вердикт RankPoint

Це одна з тих робіт, де словосполучення «AI-designed» справді означає щось більше, ніж маркетинг. Generative model дозволила вийти за межі стандартних природних capsid geometries; screening знайшов незвичну C8-архітектуру; її перетворили на modular RNA carrier; carrier показав сильний transfer у клітинах, programmable targeting і перші функціональні результати в animal models.

Найцікавіша ідея — не «AI створив кращий вірус», а те, що інженерія починає шукати біологічні машини у design space, куди природна еволюція просто не мала причини заходити. Якщо STV вдасться довести до системної, безпечної й адресної доставки, це може стати новим класом інфраструктури для RNA medicines і gene editing.