使用基于变压器的神经网络设计脂质纳米粒子.
Alvin Chan1,2,3,4,5, Ameya R Kirtane6,7,8,9, Qing Rui Qu10,11
1Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA. guoweialvin.chan@ntu.edu.sg.
Nature nanotechnology
|August 15, 2025
概括
一个新的深度学习模型COMET准确地预测了RNA药物的脂质纳米粒子 (LNP) 疗效. 这种计算方法通过优化LNP配方来加速新型核酸疗法的开发.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物运输 药物运输 药物运输
背景情况:
- 脂质纳米颗粒 (LNP) 对于RNA药物输送至关重要.
- 通过实验优化LNP配方是耗时且范围有限的.
- 现有的计算模型与LNP的复杂,多组件性质作斗争.
研究的目的:
- 开发一个深度学习模型来预测LNP性能.
- 整合复合制剂的多组件和多模式特征,如LNP.
- 加速基于LNP的核酸疗法的设计和优化.
主要方法:
- 通过不同的配方生成一个大型LNP数据集 (LANCE).
- 训练了一个名为COMET的基于变压器的深度学习模型.
- 集成的多组件和多模式功能,用于端到端的性能预测.
主要成果:
- COMET准确地预测了LNP的疗效.
- 该模型可以适应非正规的LNP配方 (例如,双电离性脂质,聚合物材料).
- 使用小数据集,COMET成功地预测了LNP在新细胞系中的表现以及在冷化过程中的稳定性.
结论:
- COMET模型为LNP设计提供了一个强大的计算工具.
- 这种方法可以在体外和体内确定强大的LNP来增强蛋白质表达.
- 这些发现有望加速RNA药物的开发,用于各种治疗应用.
