Le MIT a utilisé une boucle d'IA à petites données pour rendre des vaccins à ARNm capables de résister un an à température ambiante

Les vaccins à ARNm transportés par des nanoparticules lipidiques doivent être stockés entre -20 et -80 °C, ce qui les exclut des régions dépourvues d'infrastructure de chaîne du froid. Au Koch Institute du MIT, le groupe d'Ana Jaklenec et Robert Langer avait déjà mis au point des LNP stabilisés par des polymères qui tolèrent la chaleur, mais ceux-ci modifiaient les formulations approuvées par la FDA utilisées par Moderna et Pfizer. En cherchant à stabiliser à la main les formulations approuvées, ils ont criblé des excipients — sucres, sels, polymères — pendant des mois. « Rien ne nous permettait d'atteindre une stabilité de 100 pour cent », a déclaré le postdoctorant Khanh Tran.

La solution a été un algorithme d'apprentissage automatique développé avec Mina Konaković Luković, du CSAIL du MIT, conçu pour prédire à partir de très petits jeux de données. L'équipe a mesuré dans quelle mesure chacun des près de 50 excipients approuvés par la FDA protégeait l'ARNm à l'intérieur des LNP, a retenu les cinq les plus prometteurs et a laissé l'algorithme prédire les ratios stabilisants. Ils ont testé deux formulations à la fois dans des cellules et réinjecté les résultats dans le modèle ; après une poignée d'itérations — quelques semaines, et non des mois — une formulation s'est démarquée.

Des vaccins à ARNm contre la Covid-19 séchés sous vide dans la nouvelle formulation ont été stockés à 37 °C pendant deux mois ou à température ambiante pendant un an, et les souris vaccinées ensuite ont développé des réponses immunitaires équivalentes à celles d'un LNP de type Moderna. Les mêmes cinq excipients, dans un ratio différent, ont stabilisé un LNP de type Pfizer, et la formulation a également fonctionné dans des patchs à microaiguilles solides, qui ont produit des réponses immunitaires similaires à celles des injections. Ces travaux ont été publiés dans Nature Biotechnology et financés en partie par la Fondation Gates.

Faire tourner une boucle d'apprentissage actif sur 50 excipients déjà approuvés par la FDA : prédire des ratios, en tester deux à la fois dans des cellules, réinjecter les résultats — convergence en quelques semaines.

La chaîne du froid est le goulot d'étranglement : un stockage entre -20 et -80 °C éloigne les vaccins à ARN des régions dépourvues de congélateurs.

Restreindre la recherche aux excipients approuvés par la FDA laisse une voie réglementaire au lieu d'exiger une nouvelle chimie.

L'algorithme est conçu pour de petits jeux de données, ce qui correspond à un laboratoire incapable de réaliser des milliers d'expériences.

La boucle de rétroaction par deux à la fois a réduit la recherche de mois de criblage manuel à quelques semaines.

Quand le criblage par force brute s'enlise, n'inventez pas de nouveaux ingrédients — cherchez plus intelligemment parmi ceux déjà approuvés. L'optimisation sur petites données transforme des mois d'impasses en une poignée d'expériences ciblées.

Au moment de l'annonce de septembre 2026, les résultats étaient précliniques : réponses immunitaires chez la souris et administration par patch à microaiguilles, et non des essais humains ou un examen réglementaire. Les chercheurs affirment que chaque formulation résistante à la chaleur pourrait transporter n'importe quelle charge utile d'ARNm, élargissant son usage aux thérapeutiques, aux particules à libération contrôlée et aux patchs à microaiguilles qui nécessitent des formulations à l'état solide ou thermostables.