人工智能引导的脂质纳米颗粒的设计用于肺基因治疗
Jacob Witten1,2,3, Idris Raji1,2,4, Rajith S Manan1,2
1Department of Chemical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA.
Nature biotechnology
|December 10, 2024
概括
深度学习加速了用于传递信使RNA (mRNA) 的新型电离性脂质的发现. 这种新方法确定了两个有前途的脂质候选者,FO-32和FO-35,用于有效的mRNA纳米粒子在体内输送.
科学领域:
- 生物技术是生物技术.
- 纳米技术纳米技术
- 计算化学计算化学
背景情况:
- 电离性脂质对于非病毒信使RNA (mRNA) 传递系统至关重要,特别是脂质纳米粒子 (LNP).
- 目前用于识别有效的电离性脂质的方法严重依赖实验查和合理设计,这可能是耗时和资源密集的.
- 推进LNP技术需要创新的策略来发现具有更好的传递能力的新型电离性脂质.
研究的目的:
- 引入和验证一种深度学习策略,称为使用神经网络 (LIONN) 的脂质优化,用于设计新的可电离脂质.
- 超越传统的实验查和合理的设计方法,用于电离性脂质的发现.
- 为了在体外和体内发现新的可电离脂质,提高mRNA传递效率.
主要方法:
- 开发一个大型数据集,包括超过9000个脂质纳米粒子活动测量.
- 训练一个有针对性的传递信息的神经网络,使用这个数据集来预测基于脂质结构的核酸递送效率.
- 使用训练有素的神经网络对160万个潜在的脂质结构进行了in silico评估.
- 在体外和体内对表现最佳的脂质候选物的验证,包括对小鼠肌肉,鼻腔粘膜和肺部以及鱼肺部的评估.
主要成果:
- LIONN模型成功地预测了体外和体内RNA输送性能.
- 该模型证明了能够推断并识别与初始训练集分离的有效结构的能力.
- 两种新的可电离脂,FO-32和FO-35,被确定具有显著的mRNA传递能力到小鼠肌肉和鼻子粘膜.
- FO-32在将雾化mRNA输送到小鼠肺部方面取得了最先进的性能.
- 无论是FO-32还是FO-35,都显示出有效的mRNA输送到鱼肺部.
结论:
- 深度学习,特别是LIONN策略,提供了一种强大而高效的方法,可以加速发现和优化可离子化脂质,以实现基于纳米粒子的mRNA输送.
- 已确定的脂质,FO-32和FO-35,代表了下一代mRNA治疗的有希望的候选人.
- 这项工作突出了人工智能和机器学习在推进药物输送技术和克服当前脂质设计局限性的巨大潜力.
