Machine die vooruitlopend model voor onderzoek van op LNP-Gebaseerde mRNA vaccins leren

In deze nieuwe artikelpublicatie van Handelingen Pharmaceutica Sinica B, auteurs Wei Wang, Shuo Feng, Zhuyifan Ye, Hanlu Gao, Jinzhong Lin en Defang Ouyang van Universiteit van Macao, Macao, China en Fudan-Universiteit, Shanghai, bespreekt China de voorspelling van lipide nanoparticles voor mRNA vaccins door machine het leren algoritmen.

Het lipide nanoparticle (LNP) wordt algemeen gebruikt om mRNA vaccins te leveren. Momenteel, LNP-baseert de optimalisering zich hoofdzakelijk bij het onderzoeken van ioniseerbare lipiden door traditionele experimenten die intensieve kosten en tijd verbruiken. De huidige studie probeert om computermethodes toe te passen om de LNP-ontwikkeling voor mRNA vaccins te versnellen. Ten eerste, werden 325 gegevenssteekproeven van mRNA vaccinlnp formuleringen met IgG-titer verzameld.

Het machine het leren algoritme, lightGBM, werd gebruikt om een voorspellingsmodel met goede prestaties te bouwen (R2>0.87). Wat nog belangrijker is, werden de kritieke funderingen van ioniseerbare lipiden in LNPs geïdentificeerd door het algoritme, dat goed met gepubliceerde resultaten akkoord ging. De dierlijke experimentele resultaten toonden aan dat LNP die DLin-MC3-DMA (MC3) gebruiken als ioniseerbaar lipide met een N/P-verhouding bij 6:1 hogere efficiency in muizen dan LNP met sm-102 veroorzaakte, die met de modelvoorspelling verenigbaar was. De moleculaire dynamische modellering onderzocht verder het moleculaire die mechanisme van LNPs in het experiment wordt gebruikt.

Het resultaat toonde aan dat de lipidemolecules aan vorm LNPs bijeenvoegden, en mRNA de molecules kronkelden rond LNPs. Samengevat, werd de machine die vooruitlopend model voor op LNP-Gebaseerde mRNA vaccins leren eerst ontwikkeld, bevestigd door experimenten, en werd verder geïntegreerd met moleculaire modellering. Het voorspellingsmodel kan voor virtueel onderzoek van LNP-formuleringen in de toekomst worden gebruikt.