Az veriden öğrenen algoritmayla mRNA aşıları için daha dayanıklı formül

MIT araştırmacıları, mRNA aşılarını taşıyan lipid nanopartiküllerin (LNP) formülasyonunu küçük deney kümelerinden yararlanan bir makine öğrenmesi yöntemiyle ayarladı. Böylece çok sayıda deneyi baştan sona deneme-yanılma yoluyla yürütmek yerine, algoritma sonraki formülasyon denemelerine yön verdi. Araştırma haberlerinde taşıyıcı bileşenlerin oranlarının da optimize edildiği belirtiliyor. 1013

Bununla birlikte, mevcut kaynaklar kullanılan bileşenlerin tam listesini ve oranlarını ortaya koymuyor. Bu nedenle formülde hangi maddelerin bulunduğunu ya da bunların tümünün FDA onaylı olup olmadığını güvenilir biçimde söylemek mümkün değil.

Fare deneylerinde ne görüldü?

Araştırmacıların bildirdiğine göre deneysel formülasyon, oda sıcaklığında bir yıla kadar; yaklaşık 37°C’de ise iki ay boyunca stabil kaldı. Depolama sonrasında farelere uygulanan aşılar, Moderna’nın geliştirdiği bir mRNA COVID-19 aşısına benzer düzeyde bağışıklık yanıtı oluşturdu. 1314

Bu sonuçlar, belirli bir deneysel formülasyonun laboratuvar ve hayvan çalışmalarındaki performansını gösteriyor. İnsanlarda aynı süre boyunca etkili ve güvenli kalacağını ya da onaylı bir aşının saklama talimatlarının değiştirilebileceğini kanıtlamıyor.

Mikroiğneli yama olasılığı

Formülasyonun mikroiğneli yamalarla kullanıldığı da bildirildi. Bu tür yamalar, aşıyı cilt üzerinden iletmeyi amaçlıyor. Ancak kaynaklarda, yaklaşımın farklı aşı formülleri ve mRNA yükleriyle her durumda aynı sonucu verdiğini gösterecek ayrıntılı veriler bulunmuyor. 1014

Soğuk zincir açısından neden önemli?

mRNA aşılarının sıcaklığa dayanıklılığını artırmak, ileride bu ürünlerin soğuk depolamaya bağımlılığını azaltabilir. Böyle bir gelişme, soğuk zincir altyapısının sınırlı olduğu yerlerde dağıtımı kolaylaştırma potansiyeli taşıyor. Ancak bu olasılığın gerçeğe dönüşmesi için insan çalışmalarının ve ürün bazında raf ömrü değerlendirmelerinin yapılması gerekiyor. 1014