相关实验视频

Updated: Aug 3, 2026

Generation of Cationic Nanoliposomes for the Efficient Delivery of In Vitro Transcribed Messenger RNA

Generation of Cationic Nanoliposomes for the Efficient Delivery of In Vitro Transcribed Messenger RNA

Published on: February 1, 2019

使用大型语言模型对脂质纳米颗粒的表示,用于转染效率预测

Saeed Moayedpour¹, Jonathan Broadbent², Saleh Riahi¹

¹Digital R&D, Sanofi, Cambridge, MA, 02141, United States.

Bioinformatics (Oxford, England)

|May 29, 2024

概括

研究人员开发了一种使用大型语言模型的新方法,以虚拟选mRNA疫苗的脂质纳米粒子 (LNP). 这种方法可以准确地预测LNP的特性,从而有可能改善疫苗的发放和降低成本.

科学领域:

生物技术是生物技术.
计算化学计算化学
疫苗开发疫苗开发

背景情况:

脂质纳米颗粒 (LNP) 对于mRNA疫苗的输送至关重要.
LNP脂质结构显著影响mRNA有效载荷的有效性.
优化的关键特性包括生物降解性,合成可访问性和转化效率.

研究的目的:

开发和验证用于LNP虚拟查的计算模型.
为了识别具有提高mRNA传递转染效率的LNP.
加速优化LNP配方,以提高疫苗的疗效.

主要方法:

使用简化分子输入线输入系统 (SMILES) 作为大型语言模型 (LLM) 输入的脂质字符串.
使用LLM生成的嵌入作为梯度增强分类器的特征.
开发了一个用于评估LNP属性和转化效率的预测模型.

主要成果:

开发的模型在预测与LNP性能相关的脂质特性方面表现出高准确度.
基于LLM的方法可以有效地对潜在的LNP候选人进行虚拟选.
预计将提高转化效率,并有可能降低实验成本.

结论:

这种LLM驱动的计算方法为优化mRNA疫苗LNP设计提供了一个强大的工具.
这种方法可以显著减少LNP开发所需的时间和资源.
这些发现为更有效和更具成本效益的mRNA疫苗输送系统铺平了道路.

更多相关视频

Formulating and Characterizing Lipid Nanoparticles for Gene Delivery using a Microfluidic Mixing Platform

Formulating and Characterizing Lipid Nanoparticles for Gene Delivery using a Microfluidic Mixing Platform

Published on: February 25, 2021

A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM

A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM

Published on: August 18, 2023

相关概念视频

Molecular Models

Molecular Models

Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.