聚合物设计通过SHAP和贝叶斯机器学习优化了pDNA和CRISPR核蛋白输送

科学领域:

• 聚合物化学 聚合物化学
• 生物材料科学 生物材料科学
• 基因传递系统是基因传递系统.

背景情况:

• 优化核酸输送载体对于推进基因疗法至关重要.
• 目前的运营商经常面临效率,特异性和安全方面的挑战.
• 需要对聚合物特性进行系统的探索,以设计改进的输送系统.

研究的目的:

• 合成和描述可点击的聚合物多样化的图书馆.
• 确定控制等离子体DNA (pDNA) 和CRISPR-Cas9核糖蛋白 (RNP) 细胞内传递的结构-性质关系.
• 通过机器学习加速下一代核酸输送车辆的设计.

主要方法:

• 一个聚合物库的简单合成,在长度,组成,pKa和疏水性方面有系统的变化.
• 聚合物性质的物理化学表征.
• 机器学习 (可解释的AI和贝叶斯优化) 的应用,以分析结构-属性关系和优化配方.
• 在pDNA和RNP传递的聚合物性能在体外和体内评估.

主要成果:

• 发现了pDNA和RNP交付的独特最佳设计参数.
• 较低的聚合物pKa和较高的本齐米达乙醇含量增强了pDNA传递.
• 增长的聚合物长度和特定的胺离子标识改善了RNP传递.
• 机器学习确定了关键的定量结构与属性关系.
• 优化聚合物在体内20天内显示增强的转基因表达.

结论:

• 简单,结合合成,表征和机器分析的方法加快了核酸输送车辆的发展.
• 确定了pDNA与RNP交付的不同聚合物设计原理,为载体优化提供了新的见解.
• 开发的聚合物库和机器学习工具为设计高效和有针对性的基因治疗载体提供了一个强大的平台.