Mô hình dự đoán máy học để sàng lọc vắc xin mRNA dựa trên LNP

Trong bài báo mới này xuất bản từActa Pharmaceutica Sinica B, các tác giả Wei Wang, Shuo Feng, Zhuyifan Ye, Hanlu Gao, Jinzhong Lin và Defang Ouyang từ Đại học Ma Cao, Ma Cao, Trung Quốc và Đại học Fudan, Thượng Hải, Trung Quốc thảo luận về dự đoán của các hạt nano lipid cho vắc xin mRNA bằng thuật toán học máy.

Hạt nano lipid (LNP) thường được sử dụng để cung cấp vắc xin mRNA.Hiện tại, việc tối ưu hóa LNP chủ yếu dựa vào việc sàng lọc các chất béo có thể ion hóa bằng các thí nghiệm truyền thống tiêu tốn nhiều chi phí và thời gian.Nghiên cứu hiện tại cố gắng áp dụng các phương pháp tính toán để đẩy nhanh sự phát triển LNP cho vắc xin mRNA.Đầu tiên, 325 mẫu dữ liệu của công thức vắc xin mRNA LNP với hiệu giá IgG được thu thập.

Thuật toán học máy, lightGBM, được sử dụng để xây dựng mô hình dự đoán với hiệu suất tốt (R2> 0,87).Quan trọng hơn, các cấu trúc cơ bản quan trọng của lipid có thể ion hóa trong LNP đã được xác định bằng thuật toán, điều này rất đồng ý với các kết quả đã công bố.Các kết quả thí nghiệm trên động vật cho thấy LNP sử dụng DLin-MC3-DMA (MC3) là lipid có thể ion hóa vớiN/Ptỷ lệ 6: 1 tạo ra hiệu quả cao hơn ở chuột so với LNP với SM-102, phù hợp với dự đoán của mô hình.Mô hình động lực học phân tử đã nghiên cứu thêm cơ chế phân tử của các LNP được sử dụng trong thí nghiệm.

Kết quả cho thấy các phân tử lipid tập hợp lại để tạo thành các LNP và các phân tử mRNA xoắn quanh các LNP.Tóm lại, mô hình dự đoán máy học cho vắc xin mRNA dựa trên LNP lần đầu tiên được phát triển, xác nhận bằng các thí nghiệm và được tích hợp thêm với mô hình phân tử.Mô hình dự đoán có thể được sử dụng để sàng lọc ảo các công thức LNP trong tương lai.