Aceleración del Diseño de Lípidos Ionizables Basados en Siloxano para LNP con Redes de Kolmogorov-Arnold Eficientes...

Área de la Ciencia:

• Ciencia de Biomateriales
• Química Computacional
• Liberación de Fármacos

Sus antecedentes:

• Los lípidos ionizables son cruciales para la eficacia de las nanopartículas lipídicas (LNP), especialmente en las vacunas de ARNm.
• El desarrollo de nuevos lípidos ionizables es un desafío debido a las complejas relaciones estructura-propiedad y a los datos limitados.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático (ML) impulsado por pequeños datos para el descubrimiento acelerado de nuevos lípidos ionizables basados en siloxano.
• Ser pionero en el uso de redes de Kolmogorov-Arnold (KAN) para predecir el rendimiento de los lípidos ionizables.

Principales métodos:

• Se empleó un marco impulsado por pequeños datos que utiliza redes de Kolmogorov-Arnold (KAN), un enfoque de ML de regresión simbólica.
• Se integraron KANs con simulaciones de cribado virtual y muestreo de paraguas para la identificación de candidatos.
• Se validaron los hallazgos utilizando simulaciones de dinámica molecular para evaluar la afinidad de unión a la membrana endosomal.

Principales resultados:

• El modelo KAN logró una alta precisión predictiva (Qcv² = 0.710) para la eficiencia de entrega de ARNm utilizando solo 36 muestras de entrenamiento.
• El modelo KAN superó a los modelos de ML convencionales y proporcionó fórmulas matemáticas explícitas.
• Se identificaron tres lípidos candidatos, y el óptimo mostró un aumento del 187% en la afinidad de unión a la membrana endosomal.

Conclusiones:

• El marco propuesto ofrece un paradigma eficiente en datos para el diseño de lípidos ionizables guiado por ML.
• Se conectó con éxito la regresión simbólica con la validación de dinámica molecular para las terapias LNP.
• Se allanó el camino para el diseño de la próxima generación de terapias basadas en LNP, incluidas las vacunas de ARNm.