机器学习框架预测脂纳米颗粒的性能,以提供核酸
Gaurav Kumar1, Arezoo M Ardekani1
1School of Mechanical Engineering, Purdue University, West Lafayette, Indiana 47907, United States.
ACS applied bio materials
|April 23, 2025
概括
机器学习模型预测脂质纳米粒子 (LNP) 活性和基因治疗的可行性. 该框架通过识别关键特征和弥合体外-体内生物预测差距,使得合理的LNP设计成为可能.
科学领域:
- 纳米医学是一种纳米医学.
- 计算化学的计算化学
- 生物技术是生物技术.
背景情况:
- 脂质纳米颗粒 (LNP) 对于基因疗法如mRNA和siRNA传递至关重要.
- 定量结构-活动关系 (QSAR) 建模对于LNP制定至关重要,但由于复杂的组成和相互作用而面临挑战.
- 预测LNP性能需要复杂的方法来处理多组件系统和生物变异性.
研究的目的:
- 开发一种机器学习 (ML) 框架,用于预测核酸输送中的LNP活动和细胞活力.
- 为了克服复杂LNP配方的传统QSAR建模的局限性.
- 建立一个可扩展的方法来预测LNP性能和指导合理设计.
主要方法:
- 策划了来自21项研究的6454种LNP配方的数据集.
- 采用了11种分子特征化技术和6种ML算法进行分类.
- 使用基于支架的5倍交叉验证和SHAP进行特征归属.
- 开发了一种转移学习策略,以弥合体外-体内生物预测差距.
主要成果:
- 在使用ML模型预测LNP活动和细胞活力方面取得了>90%的准确性.
- 基于描述器的特征与集成模型 (随机森林,额外的树木) 显示出最高的性能.
- 通过SHAP分析确定了推动LNP性能的主要物理化学和组成特征.
- 转移学习模型在体外到体外预测方面实现了>82%的准确性.
结论:
- 可解释的ML框架可以指导基因治疗的合理LNP设计.
- 开发的ML框架为纳米医学的QSAR建模提供了一个可扩展的方法.
- 分子特征的协同效应对LNP性能至关重要.
