转换MA:一种可解释的多模态深度学习模型,用于预测mRNA输送中的可电离性脂质纳米颗粒的特性

科学领域:

• 生物技术是生物技术.
• 计算化学的计算化学
• 药物输送系统 药物输送系统

背景情况:

• 电离性脂质纳米颗粒 (LNP) 对于信使RNA (mRNA) 传递至关重要,提供安全性和有效性.
• 目前用于识别最佳LNP的查方法是低效和昂贵的,阻碍了mRNA治疗的发展.

研究的目的:

• 开发一个可解释的人工智能 (AI) 模型,TransMA,用于预测LNP转换效率.
• 加快新型mRNA药物输送系统的识别和设计.

主要方法:

• TransMA采用一种多式架构,结合了3D空间 (分子3D变压器) 和1D序列 (分子Mamba) 的分子特征.
• 一种新的mol注意力机制整合了粗粒和细粒原子特征,以提高预测能力.
• 该模型在使用支架和悬崖数据分割的最大可用的LNP数据集上得到了验证.

主要成果:

• 在预测LNP转接效率方面,TransMA取得了最先进的性能.
• 该模型确定了微妙的结构修改与转化效率的显著变化之间的相关性.
• TransMA在外部数据集上展示了强大的概括能力,保持了预测顺序.

结论:

• TransMA为LNP设计提供了有价值的见解,使得更明智的结构修改成为可能.
• 像TransMA这样的准确预测模型可以显著加快mRNA传递系统的选过程.
• 这种人工智能驱动的方法有可能加速整个mRNA药物开发管道.