使用机器学习和组合化学加速用于mRNA输送的电离性脂质发现
Bowen Li1,2,3,4,5,6, Idris O Raji7,8,9, Akiva G R Gordon7,8
1David H. Koch Institute for Integrative Cancer Research, Massachusetts Institute of Technology, Cambridge, MA, USA. bw.li@utoronto.ca.
Nature materials
|May 13, 2024
概括
研究人员使用机器学习和化学开发了一种更快的方法,用于为信使RNA (mRNA) 疗法找到新的可电离脂质. 他们发现了一种新型的脂质,可以有效地将mRNA传递给肌肉和免疫细胞.
科学领域:
- 生物技术和制药科学 生物技术和制药科学
- 药物输送系统 药物输送系统
- 计算化学和机器学习
背景情况:
- 使者RNA (mRNA) 疗法具有显著的前景,但需要有效的输送工具.
- 脂质纳米颗粒 (LNP) 是mRNA的关键传递系统,有离子化的脂质是一个关键但具有挑战性的组成部分.
- 目前用于识别新型电离性脂质的方法通常是缓慢和低效的,阻碍了LNP的发展.
研究的目的:
- 开发一种加速方法,用于发现用于mRNA输送的新型电离性脂质.
- 将机器学习 (ML) 与组合化学相结合,以快速识别LNP组件.
- 在各种细胞类型和组织中识别优质的电离性脂质,以增强mRNA转染.
主要方法:
- 一个由四个组件组成的反应平台被用来合成584个电离性脂质的多样性库.
- 用这些脂质配制的脂质纳米颗粒被选为mRNA转染效率.
- 机器学习模型被训练在选数据上,以预测40,000个脂质的虚拟库的性能,然后对顶级候选人的实验验证.
主要成果:
- 创建并选了584种化学多样化的电离性脂质库.
- 机器学习模型成功预测了LNP的性能,指导了16个有前途的候选人的合成.
- 脂质119-23在肌肉和免疫细胞中表现出优异的mRNA转染效率,与多种组织的基准脂质相比.
结论:
- ML和组合化学的综合方法显著加快了有效的电离性脂质的发现.
- 这一策略使得能够创建和评估用于精确的mRNA输送的多功能LNP配方.
- 鉴定到的脂质119-23代表了下一代mRNA疗法的一个有希望的进步.


