LNPs向けシリコーン系イオン化可能脂質のデータ効率的なコルモゴロフ-アーノルドネットワークによる設計加速

科学分野:

• 生体材料科学
• 計算化学
• ドラッグデリバリー

背景:

• イオン化可能脂質は、特にmRNAワクチンにおいて、脂質ナノ粒子（LNP）の有効性にとって重要です。
• イオン化可能脂質の開発は、複雑な構造-特性関係と限られたデータのために困難です。

研究 の 目的:

• 新規シリコーン系イオン化可能脂質の加速的発見のための、少量のデータ駆動型機械学習（ML）フレームワークを開発すること。
• イオン化可能脂質の性能予測にコルモゴロフ-アーノルドネットワーク（KAN）を使用することを先駆けて行うこと。

主な方法:

• コルモゴロフ-アーノルドネットワーク（KAN）、記号回帰MLアプローチを利用した少量のデータ駆動型フレームワークを採用しました。
• 候補者の特定のために、KANと仮想スクリーニングおよびアンブレラサンプリングシミュレーションを統合しました。
• エンドソーム膜への結合親和性を評価するために、分子動力学シミュレーションを用いて発見を検証しました。

主要な成果:

• KANモデルは、わずか36個の訓練サンプルでmRNA送達効率に対して高い予測精度（Qcv² = 0.710）を達成しました。
• KANモデルは、従来のMLモデルを上回り、明示的な数式を提供しました。
• 3つの候補脂質を特定し、最適なものはエンドソーム膜への結合親和性で187％の増加を示しました。

結論:

• 提案されたフレームワークは、MLガイド型のイオン化可能脂質設計のためのデータ効率的なパラダイムを提供します。
• 記号回帰と分子動力学検証をLNP治療薬のために首尾よく橋渡ししました。
• mRNAワクチンを含む次世代LNPベース治療薬の設計への道を開きました。