Model predykcyjny uczenia maszynowego do badań przesiewowych szczepionek mRNA opartych na LNP

W tym nowym artykule publikacja zActa Pharmaceutica Sinica Bautorzy Wei Wang, Shuo Feng, Zhuyifan Ye, Hanlu Gao, Jinzhong Lin i Defang Ouyang z University of Macau w Macau w Chinach i Fudan University w Szanghaju w Chinach omawiają przewidywanie nanocząstek lipidowych w szczepionkach mRNA za pomocą algorytmów uczenia maszynowego.

Nanocząsteczka lipidowa (LNP) jest powszechnie stosowana do dostarczania szczepionek mRNA.Obecnie optymalizacja LNP opiera się głównie na badaniu przesiewowym jonizowalnych lipidów w tradycyjnych eksperymentach, które pochłaniają duże koszty i czas.Obecne badania mają na celu zastosowanie metod obliczeniowych do przyspieszenia rozwoju LNP do szczepionek mRNA.W pierwszej kolejności zebrano 325 próbek danych dotyczących preparatów LNP szczepionek mRNA z mianem IgG.

Algorytm uczenia maszynowego lightGBM został wykorzystany do zbudowania modelu predykcyjnego o dobrej wydajności (R2>0,87).Co ważniejsze, algorytm zidentyfikował krytyczne podstruktury jonizowalnych lipidów w LNP, co dobrze zgadzało się z opublikowanymi wynikami.Wyniki doświadczeń na zwierzętach wykazały, że LNP przy użyciu DLin-MC3-DMA (MC3) jako jonizowalnego lipidu oN/Pstosunek 6:1 indukował wyższą wydajność u myszy niż LNP z SM-102, co było zgodne z przewidywaniami modelu.Modelowanie dynamiki molekularnej pozwoliło dokładniej zbadać mechanizm molekularny LNP użytych w eksperymencie.

Wynik pokazał, że cząsteczki lipidów agregowały, tworząc LNP, a cząsteczki mRNA owijały się wokół LNP.Podsumowując, model predykcyjny uczenia maszynowego dla szczepionek mRNA opartych na LNP został najpierw opracowany, zweryfikowany eksperymentalnie i dalej zintegrowany z modelowaniem molekularnym.Model predykcyjny może w przyszłości zostać wykorzystany do wirtualnych badań przesiewowych preparatów LNP.