机器学习阐明了等离子体脱氧核糖核酸脂质纳米颗粒的设计特征,用于细胞类型优先转染
Leonardo Cheng1,2,3, Yining Zhu1,2,3, Jingyao Ma1,3,4
1Institute for NanoBioTechnology, Johns Hopkins University, Baltimore, Maryland 21218, United States.
ACS nano
|October 7, 2024
概括
机器学习增强了细胞和基因疗法的脂质纳米粒子 (LNP) 设计. 这种方法确定了LNP组成的关键规则,以实现高效的细胞类型特异性基因传递,改善治疗可访问性.
科学领域:
- 生物技术是生物技术.
- 基因疗法交付 基因疗法交付
- 纳米医学是一种纳米医学.
背景情况:
- 像脂质纳米粒子 (LNP) 这样的非病毒基因载体对于细胞和基因疗法的可访问性至关重要.
- 高通量选 (HTS) 加快了LNP的发现,但成本高昂,缺乏明确的设计规则.
- 现有的方法往往无法提供对LNP配方参数的可操作见解.
研究的目的:
- 开发一个机器学习 (ML) 工作流程,从LNP转染数据中提取构成和化学见解.
- 为了确定控制细胞类型偏好的LNP转化效率的关键组成-功能关系.
- 提供设计规则,以优化针对性基因传递的LNP配方.
主要方法:
- 利用机器学习工作流与精选的等离子体DNA LNP转染数据在六种细胞类型.
- 在ML模型中应用了SHapley添加式扩展 (SHAP) 来解释组成-功能关系.
- 分析了各种LNP库的高通量查数据,以阐明脂质成分相互作用.
主要成果:
- 在不同细胞类型的LNP转染效率中实现了5-10%的预测误差.
- 确定了一致的LNP组成参数,增强了体外转移,包括9-50%的带电辅助脂质和阴离子/离子辅助脂质.
- 发现了调节细胞类型偏好的参数,例如电离性/辅助性脂质百分比,N/P比率,PEGylated脂质百分比和辅助性脂质水性.
结论:
- 对HTS数据的ML分析为LNP配方设计提供了宝贵的见解.
- 确定了提高转染效率和细胞类型特异性的特定LNP组成参数.
- 这种方法促进了LNP载体的合理设计,以改善细胞和基因疗法应用.
