mRNA chỉ hữu ích khi tới đúng tế bào: MIT tự động hóa việc tạo hàng loạt “xe tải nano” để tìm thiết kế vận chuyển phù hợp

MIT phát triển một hệ thống tự động chế tạo lipid nanoparticle mang mRNA với kích thước có thể đặt trước, đồng thời thu thập dữ liệu để dự đoán kích thước và hình thái từ điều kiện sản xuất. Mục tiêu là biến việc tìm LNP phù hợp cho từng mô thành một quy trình thiết kế và sàng lọc nhanh hơn, thay vì thử-sai thủ công.

Tháng 9 26, 2026

mRNA chỉ hữu ích khi tới đúng tế bào: MIT tự động hóa việc tạo hàng loạt “xe tải nano” để tìm thiết kế vận chuyển phù hợp

mRNA có thể mang chỉ dẫn để tế bào tạo protein, nhưng bản thân phân tử này không phải một loại thuốc có thể đơn giản tiêm vào cơ thể rồi chờ nó tìm đúng đích. Nó dễ bị phân hủy và khó tự vượt qua màng tế bào. Vì vậy, một phần quyết định hiệu quả của liệu pháp nằm ở chiếc “xe tải nano” bao quanh payload: lipid nanoparticle, hay LNP.

Một nhóm kỹ sư hóa học tại MIT vừa tự động hóa quy trình chế tạo LNP theo cách cho phép đặt trước kích thước hạt, sản xuất chúng, đo kết quả rồi tự điều chỉnh thông số nếu kích thước chưa đạt mục tiêu. Hệ thống còn tạo dữ liệu để huấn luyện mô hình machine learning dự đoán điều kiện nào sẽ cho ra kích thước hoặc hình thái mong muốn.

Điểm cần phân biệt là nhóm chưa tìm ra một “hình dạng tốt nhất” dùng chung cho mọi liệu pháp mRNA. Giá trị của nền tảng nằm ở chỗ nó có thể tạo có kiểm soát nhiều LNP khác nhau để các nhà phát triển sau đó kiểm tra thiết kế nào phù hợp với một ứng dụng hoặc mô đích cụ thể. Nghiên cứu mới, mang tên Autonomous Lipid Nanoparticle Engineering, được MIT công bố ngày 25/9/2026 và đăng trên ACS Nano.

Vì sao chiếc vỏ của mRNA quan trọng?

LNP thường gồm bốn thành phần chính: lipid ion hóa, phospholipid, cholesterol và lipid gắn polyethylene glycol (PEG). Khi được phối trộn đúng cách, chúng tự lắp ráp thành các hạt nano có thể đóng gói nucleic acid, bảo vệ payload trong quá trình vận chuyển và hỗ trợ đưa nó vào tế bào.

Nhưng thành phần hóa học không phải biến số duy nhất. Kích thước và cấu trúc của hạt cũng ảnh hưởng đến cách LNP hành xử trong cơ thể. MIT lưu ý rằng một LNP khoảng 70 nm và một LNP khoảng 150 nm, ngay cả khi những yếu tố khác được giữ giống nhau, có thể có hành vi sinh học rất khác. Điều này khiến khả năng chế tạo có chủ đích các hạt với đặc tính vật lý khác nhau trở thành một công cụ hữu ích cho quá trình tìm hệ vận chuyển tới các mô và cơ quan khác nhau.

Vấn đề là quy trình LNP truyền thống không cho phép điều khiển kích thước và hình thái một cách độc lập, chính xác như việc nhập thông số vào máy rồi nhận đúng hạt mong muốn. Việc phát triển formulation vì thế thường cần nhiều vòng thử-sai.

MIT tách quá trình hình thành LNP thành hai bước

Nền tảng tự động mới dựa trên một phương pháp mà nhóm đã mô tả trong ACS Nano năm 2025. Trong quy trình LNP thông thường, một dòng lipid hòa trong ethanol được trộn nhanh với dòng dung dịch acid chứa mRNA. Điều kiện trộn thúc đẩy các thành phần tự lắp ráp thành hạt.

Nhóm MIT thay đổi cách nhìn quá trình này. Thay vì coi sự hình thành LNP như một sự kiện trộn duy nhất, họ cho mRNA và lipid gặp nhau trước, sau đó chờ một khoảng thời gian xác định rồi mới bổ sung thêm buffer để “hãm” quá trình tăng trưởng của hạt.

Khoảng thời gian giữa hai bước trở thành một núm điều khiển kích thước. Nếu thời gian lưu dài hơn, hạt có thêm thời gian phát triển và trở nên lớn hơn; nếu buffer được bổ sung sớm, quá trình bị dừng khi hạt còn nhỏ.

Trong nghiên cứu năm 2025, nhóm còn cho thấy có thể tác động tới hình thái bằng cách thay đổi nồng độ buffer ở bước thứ hai. Các hạt có thể chuyển từ dạng gần hình cầu sang cấu trúc kéo dài mà MIT mô tả giống quả bơ. Quan trọng là nhóm có thể thay đổi kích thước và hình thái mà không cần thay toàn bộ công thức lipid.

Paper năm 2025 báo cáo các LNP được tạo bằng phương pháp này đạt mức tăng hiệu quả transfection in vitro lên tới 8 lần so với phương pháp sản xuất thông thường trong điều kiện thử nghiệm của nhóm. Con số đó không đồng nghĩa mọi LNP được tạo bằng nền tảng sẽ hiệu quả gấp 8 lần trong cơ thể người; đây là kết quả ở cấp thử nghiệm tế bào và phụ thuộc formulation cùng điều kiện đo.

Từ một quy trình chế tạo thành vòng lặp tự động

Trong nghiên cứu mới, nhóm tự động hóa quy trình hai bước này. Họ tích hợp thiết bị dynamic light scattering thương mại để đo kích thước hạt ngay trong workflow. Người vận hành có thể yêu cầu một kích thước mục tiêu; hệ thống sản xuất LNP, đo sản phẩm và, nếu kết quả lệch mục tiêu, điều chỉnh thời gian lưu cùng các thông số liên quan để đưa kích thước về gần giá trị mong muốn.

Đó là khác biệt quan trọng giữa một máy đơn thuần tạo thật nhiều nanoparticle và một nền tảng phát triển quy trình. Hệ thống có vòng phản hồi giữa chế tạo → đo → điều chỉnh, giảm lượng can thiệp thủ công cần thiết khi khảo sát không gian thông số.

Hình thái là phần chưa tự động hoàn toàn. Hệ thống có thể tạo ra các hạt với nhiều hình dạng khác nhau, nhưng MIT cho biết việc đo hình dạng hiện vẫn phải thực hiện bên ngoài workflow tự động. Vì vậy, khả năng “nhập hình dạng rồi máy tự kiểm tra và sửa” chưa ở cùng mức trưởng thành với điều khiển kích thước.

Machine learning học công thức sản xuất, không tự phát minh thuốc

Tốc độ thử nghiệm cao hơn giúp nhóm thu thập dữ liệu về quan hệ giữa đầu vào của quy trình và đặc tính của LNP. Họ dùng dữ liệu này để huấn luyện mô hình machine learning dự đoán tổ hợp điều kiện có khả năng tạo ra một kích thước hoặc hình thái nhất định.

Vai trò của machine learning ở đây khá cụ thể: xây dựng ánh xạ từ thông số sản xuất sang thuộc tính vật lý của nanoparticle. Nó không có nghĩa hệ thống đã tự động dự đoán LNP nào sẽ chữa một bệnh, cũng chưa thay thế các thí nghiệm sinh học để xác định hạt đi tới đâu và transfect loại tế bào nào.

Đây cũng là lý do cách gọi “tìm hình dạng vận chuyển tốt nhất” cần thêm một điều kiện: tốt nhất cho mục tiêu nào. Một LNP thích hợp cho gan không mặc nhiên tối ưu cho phổi, lách, tim hay một quần thể tế bào miễn dịch. Nền tảng MIT chủ yếu giúp tạo nhanh và có hệ thống các ứng viên vật lý để câu hỏi sinh học đó có thể được kiểm tra.

Từ vaccine tới liệu pháp RNA ngoài gan

Khả năng delivery là một trong những nút thắt lớn khi muốn mở rộng mRNA và các nucleic acid therapeutics sang nhiều bệnh hơn. Vaccine COVID-19 cho thấy LNP có thể đưa mRNA vào cơ thể ở quy mô lớn, nhưng những ứng dụng điều trị khác thường đòi hỏi kiểm soát nơi payload hoạt động chặt hơn.

Đây là một bài toán nhiều biến hơn chỉ kích thước và hình dạng. Thành phần lipid, tỷ lệ giữa các thành phần, điện tích, protein corona hình thành trong máu, khả năng thoát endosome, đường dùng thuốc và đặc điểm sinh học của mô đều có thể ảnh hưởng đến biodistribution và hiệu quả biểu hiện RNA. Một review trên Nature Reviews Bioengineering năm 2026 cũng nhấn mạnh mối liên hệ giữa composition, stoichiometry, đặc tính hóa-lý, tissue targeting và clearance của LNP.

Do đó, nền tảng của MIT nên được xem là một công cụ để khảo sát nhanh hơn một phần quan trọng của không gian thiết kế LNP, chứ chưa phải lời giải hoàn chỉnh cho targeted mRNA delivery.

Bước tiếp theo là nối “hình dạng” với kết quả sinh học

Khả năng chế tạo LNP đúng kích thước theo yêu cầu giải quyết một vấn đề kỹ thuật rõ ràng: nếu không thể tạo lặp lại các hạt có thuộc tính xác định, rất khó biết một khác biệt sinh học đến từ kích thước, hình thái hay đơn giản là biến thiên của quy trình sản xuất.

Bài toán tiếp theo khó hơn là xây dựng quan hệ định lượng giữa những thuộc tính đó và nơi LNP thực sự đi tới trong cơ thể. Điều này đòi hỏi screening trên tế bào, mô hình mô và cuối cùng là in vivo, đồng thời kiểm soát các biến số hóa học khác.

Nhóm đã nộp bằng sáng chế cho công nghệ và đang thương mại hóa nền tảng thông qua công ty mới BIZON Labs, theo MIT. Nhưng xét ở góc độ nghiên cứu, thước đo quan trọng nhất sẽ không phải số formulation mà robot có thể tạo. Nó sẽ là liệu vòng lặp tự động này có giúp xác định nhanh hơn các LNP có biodistribution và transfection phù hợp cho những mô vốn khó tiếp cận hay không.