مدل پیش‌بینی یادگیری ماشین برای غربالگری واکسن‌های mRNA مبتنی بر LNP

در این مقاله جدید انتشار ازActa Pharmaceutica Sinica Bنویسندگان Wei Wang، Shuo Feng، Zhuyifan Ye، Hanlu Gao، Jinzhong Lin و Defang Ouyang از دانشگاه ماکائو، ماکائو، چین و دانشگاه فودان، شانگهای، چین در مورد پیش‌بینی نانوذرات لیپیدی برای واکسن‌های mRNA توسط الگوریتم‌های یادگیری ماشین بحث می‌کنند.

نانوذرات لیپیدی (LNP) معمولاً برای تحویل واکسن‌های mRNA استفاده می‌شود.در حال حاضر، بهینه‌سازی LNP اساساً بر غربالگری لیپیدهای یونیزاسیون‌پذیر با آزمایش‌های سنتی است که هزینه و زمان زیادی را مصرف می‌کنند.مطالعه حاضر تلاش می‌کند تا روش‌های محاسباتی را برای تسریع توسعه LNP برای واکسن‌های mRNA اعمال کند.ابتدا 325 نمونه داده از فرمولاسیون LNP واکسن mRNA با تیتر IgG جمع آوری شد.

الگوریتم یادگیری ماشین، lightGBM، برای ساخت یک مدل پیش‌بینی با عملکرد خوب استفاده شد.آر2> 0.87).مهمتر از همه، زیرساختارهای حیاتی لیپیدهای قابل یونیزاسیون در LNPها توسط الگوریتم شناسایی شدند که به خوبی با نتایج منتشر شده مطابقت داشت.نتایج تجربی حیوانی نشان داد که LNP با استفاده از DLin-MC3-DMA (MC3) به عنوان لیپید قابل یونیزاسیون بان/پنسبت 6:1 باعث ایجاد راندمان بالاتر در موش‌ها نسبت به LNP با SM-102 شد که با پیش‌بینی مدل مطابقت داشت.مدل‌سازی دینامیک مولکولی مکانیسم مولکولی LNP‌های مورد استفاده در آزمایش را بیشتر مورد بررسی قرار داد.

نتیجه نشان داد که مولکول‌های لیپید برای تشکیل LNP تجمع کردند و مولکول‌های mRNA در اطراف LNP‌ها پیچیدند.به طور خلاصه، مدل پیش‌بینی یادگیری ماشین برای واکسن‌های mRNA مبتنی بر LNP ابتدا توسعه یافت، توسط آزمایش‌ها تایید شد و بیشتر با مدل‌سازی مولکولی ادغام شد.مدل پیش‌بینی می‌تواند برای غربالگری مجازی فرمول‌های LNP در آینده مورد استفاده قرار گیرد.