Ученые предложили новый подход на основе ИИ для скрининга липидных наночастиц в доставке мРНК

Целевое лечение панели онкологических заболеваний с помощью вакцин на основе матричной РНК (мРНК) — горячая тема в разработке лекарств. Ключевой проблемой в дизайне мРНК является создание систем доставки, называемых липидными наночастицами (LNP), которые служат носителями для доставки мРНК-терапий или вакцин в целевые клетки. Подготовка и скрининг компонентов LNP связаны с длительными циклами и высокими затратами.

В исследовании, опубликованном в Briefings in Bioinformatics, группа ученых под руководством профессора Лю Личжуана из Шанхайского института перспективных исследований (SARI) Китайской академии наук предложила модель глубокого обучения TransLNP, основанную на механизмах само-внимания. Эта модель сопоставляет трехмерную (3D) микроструктуру и биохимические свойства мРНК-LNP для обеспечения высокоточного автоматизированного скрининга LNP.

Разработанный TransLNP использовал подход кросс-молекулярного автоматического обучения для извлечения знаний из существующих молекулярных данных. Это позволило проводить обучение на малых выборках для LNP и облегчило перенос модели между различными типами молекул.

Для построения соответствия между 3D микроструктурой и биохимическими свойствами мРНК-LNP модель в полной мере использовала информацию о грубозернистых атомных последовательностях и тонкозернистых атомных пространственных соответствиях. Она извлекала молекулярные признаки через взаимодействие атомной информации (типы атомов, координаты, матрицы относительных расстояний, матрицы типов связей) на основе механизма само-внимания.

Для решения проблемы дисбаланса, вызванного ограниченным объемом данных по LNP, был разработан модуль BalMol. Этот модуль балансировал данные путем сглаживания распределений меток и распределений молекулярных признаков.

TransLNP достигла среднеквадратичной ошибки (MSE) менее пяти при прогнозировании эффективности трансфекции LNP. По сравнению с различными основными графовыми сверточными нейронными сетями и алгоритмами машинного обучения, TransLNP показала превосходную производительность с точки зрения MSE, R² (чем больше значение, тем лучше) и коэффициента корреляции Пирсона, достигнув лучших в своей области метрик.

Эта работа полезна для быстрого и точного прогнозирования эффективности трансфекции мРНК-LNP и предсказания новых структур липидных наночастиц. Она также проливает свет на применение мРНК-препаратов в генной терапии, разработке вакцин и доставке лекарств.