基于变压器的多维特征融合用于精确预测脂质纳米颗粒的传染效率
Daohong Gong1,2,3, Xiaowei Xie3, Jianxin Tang3
1School of Information Science and Technology, ShanghaiTech University, 393 Middle Huaxia Road, Pudong New Area, Shanghai 201210, China.
Briefings in bioinformatics
|March 2, 2026
概括
本研究介绍了LIFT,这是一种深度学习模型,可以预测脂质纳米颗粒 (LNP) 传递RNA的转染效率. 通过改进LNP配方优化,LIFT加速了有效RNA疗法的设计.
科学领域:
- 生物技术和制药科学 生物技术和制药科学
- 计算化学和药物设计
背景情况:
- 基于RNA的技术提供了巨大的潜力,但面临着交付挑战.
- 脂质纳米粒子 (LNP) 是关键的RNA输送系统,但它们的优化是经验性的和低效的.
研究的目的:
- 开发一个计算框架来预测LNP转换效率 (TE).
- 加速LNP配方的设计和优化,以提高RNA输送的速度.
主要方法:
- 构建LNPs-TE,一个具有超过10,000个实验TE值的基准数据集.
- 开发LIFT,一个深度学习框架,整合了电离性脂质的多维分子表示.
- 使用基于支架的分割和活动悬崖任务进行验证.
主要成果:
- LIFT实现了高预测性能:回归的皮尔森相关系数为0.845,分类的AUC-ROC为0.818.
- 证明了卓越的概括能力和稳定性,在R2.2中表现比基线模型优于10%以上.
- 成功整合了多样化的分子特征,以准确预测TE.
结论:
- LIFT提供了一种实用且稳定的方法,用于对高效的LNP配方进行虚拟选.
- 开发的框架可以显著减少与LNP优化相关的时间和成本.
- 公共可用的数据,模型和代码有助于进一步研究RNA传递系统.
更多相关视频
09:12A Quantitative Fluorescence Microscopy-based Single Liposome Assay for Detecting the Compositional Inhomogeneity Between Individual Liposomes
Published on: December 13, 2019
8.5K
09:34Uptake of New Lipid-coated Nanoparticles Containing Falcarindiol by Human Mesenchymal Stem Cells
Published on: February 9, 2019
9.5K