一种机器学习方法来预测pBAE多复合体的细胞吸收

科学领域:

• 生物材料科学 生物材料科学
• 纳米技术 纳米技术
• 基因治疗 基因治疗

背景情况:

• 基因传递系统对于治疗疾病至关重要,但在细胞吸收效率方面存在局限性.
• 聚β-氨基 (pBAE) 是有效的聚合物载体,用于输送寡核酸,形成多复合体.
• 优化针对特定细胞类型的pBAE配方目前依赖于耗时的试错方法.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测多β-氨基 (pBAE) 多复合细胞内部化.
• 确定影响pBAE纳米粒子吸收和跨不同细胞系的转化效率的关键特征.
• 建立一个in silico选工具,以加速优化基因传递配方.

主要方法:

• 一个聚β-氨基乙烯 (pBAE) 纳米粒子库的制造.
• 在四个不同的细胞系中对纳米粒子吸收的评估.
• 培训和评估各种机器学习模型,包括渐变增强树和神经网络.
• 使用SHapley添加式扩展 (SHAP) 解释表现最好的模型.

主要成果:

• 机器学习模型,特别是渐变增强树和神经网络,已成功训练,以预测pBAE多复合体吸收.
• 开发的ML模型在学习数据中的复杂,非线性关系方面表现出有效性.
• 沙普利添加式解释提供了对推动细胞内化预测的关键特征的见解.

结论:

• 机器学习提供了一个强大的in silico工具,可以预测和优化多β-氨基乙烯 (pBAE) 纳米粒子传递系统.
• 这种预测能力可以显著降低与为新细胞类型寻找最佳基因传递配方相关的实验负担.
• 这些发现为加速开发高效和向的基因疗法铺平了道路.