科学家提出了用于 mRNA 递送中脂质纳米颗粒筛选的新型 AI 方法

信使核糖核酸(mRNA)疫苗靶向治疗泛癌症是药物研究的热点。mRNA设计的一个关键挑战是构建脂质纳米粒(LNPs)作为载体将mRNA疗法或疫苗递送至靶细胞。LNPs组分的制备和筛选周期长、成本高。

在《生物信息学简报》上发表的一项研究中，中国科学院上海高等研究院(SARI)刘利庄教授领导的研究团队提出了一种基于自注意力机制的深度学习模型TransLNP，该模型可以绘制mRNA-LNPs的三维微结构和生化特性，从而实现LNPs的高精度自动化筛选。

设计的TransLNP采用跨分子自动学习方法从现有分子数据中提取知识，实现LNP的小样本训练，促进不同分子类型之间的模型转移。

为构建mRNA-LNPs三维微结构与生化特性之间的映射关系，该模型充分利用粗粒度的原子序列信息和细粒度的原子空间对应关系，基于自注意力机制，通过原子信息(原子类型、坐标、相对距离矩阵、边缘类型矩阵)的交互提取分子级特征。

为了解决LNP数据有限造成的不平衡问题，设计了BalMol模块，该模块通过平滑标签分布和分子特征分布来平衡数据。

TransLNP对LNP转染效率的预测取得了小于5的均方误差(MSE)。与各种主流的图卷积神经网络和机器学习算法相比，TransLNP在MSE、R2(值越大越好)和皮尔逊相关系数等方面均表现出色，达到了领域内的顶级水平。

该工作有助于快速准确预测mRNA-LNP的转染效率和新型脂质纳米颗粒结构的预测，为mRNA药物在基因治疗、疫苗开发和药物递送方面的应用提供启示。