Μηχανή που μαθαίνει το προβλεπτικό μοντέλο για τη διαλογή των LNP-βασισμένων mRNA εμβολίων

Σε αυτήν την νέα δημοσίευση άρθρου από τα πρακτικά Pharmaceutica Sinica Β, συντάκτες Wei WANG, Shuo Feng, Zhuyifan YE, Hanlu Γκάο, Jinzhong Lin και Defang Ouyang από το πανεπιστήμιο του Μακάο, του Μακάο, της Κίνας και του πανεπιστημίου Fudan, Σαγκάη, η Κίνα συζητά την πρόβλεψη του λιπιδίου nanoparticles για mRNA τα εμβόλια από τους αλγορίθμους εκμάθησης μηχανών.

Το λιπίδιο nanoparticle (LNP) χρησιμοποιείται συνήθως για να παραδώσει mRNA τα εμβόλια. Αυτήν την περίοδο, η βελτιστοποίηση LNP στηρίζεται πρώτιστα στη διαλογή των ιονιζόμενων λιπιδίων από τα παραδοσιακά πειράματα που καταναλώνουν το εντατικούς κόστος και το χρόνο. Η τρέχουσα μελέτη προσπαθεί να εφαρμόσει τις υπολογιστικές μεθόδους για να επιταχύνει την ανάπτυξη LNP για mRNA τα εμβόλια. Αρχικά, 325 δείγματα στοιχείων mRNA των διατυπώσεων εμβολίων LNP με τον τίτλο IgG συλλέχθηκαν.

Ο αλγόριθμος εκμάθησης μηχανών, lightGBM, χρησιμοποιήθηκε για να χτίσει ένα πρότυπο πρόβλεψης με τη καλή απόδοση (Ρ2>0.87). Το πιο σημαντικό, οι κρίσιμες υποδομές των ιονιζόμενων λιπιδίων σε LNPs προσδιορίστηκαν από τον αλγόριθμο, ο οποίος συμφώνησε καλά με τα δημοσιευμένα αποτελέσματα. Τα ζωικά πειραματικά αποτελέσματα έδειξαν ότι LNP που χρησιμοποιεί το DLin-MC3-DMA (MC3) ως ιονιζόμενο λιπίδιο με μια αναλογία N/P στις 6:1 προκάλεσε την υψηλότερη αποδοτικότητα στα ποντίκια από LNP με sm-102, το οποίο ήταν σύμφωνο με την πρότυπη πρόβλεψη. Η μοριακή δυναμική διαμόρφωση ερεύνησε περαιτέρω το μοριακό μηχανισμό LNPs που χρησιμοποιήθηκε στο πείραμα.

Το αποτέλεσμα έδειξε ότι τα μόρια λιπιδίων άθροισαν στη μορφή LNPs, και mRNA τα μόρια τύλιξαν γύρω από το LNPs. Εν περιλήψει, η μηχανή που μαθαίνει το προβλεπτικό μοντέλο για τα LNP-βασισμένα mRNA εμβόλια αναπτύχθηκε αρχικά, επικυρώθηκε από τα πειράματα, και ενσωματώθηκε περαιτέρω με στη μοριακή διαμόρφωση. Το πρότυπο πρόβλεψης μπορεί να χρησιμοποιηθεί για την εικονική διαλογή των διατυπώσεων LNP στο μέλλον.