Wetenschappers stellen een nieuwe AI-aanpak voor voor het screenen van lipidenanodeeltjes bij de afgifte van mRNA

De gerichte behandeling van pankanker door middel van een messenger-RNA (mRNA)-vaccin is een veelbesproken onderwerp in het geneesmiddelenonderzoek. Een belangrijke uitdaging bij het ontwerpen van mRNA is de constructie van afgiftesystemen, lipide-nanodeeltjes (LNP’s) genaamd, die dienen als dragers voor het afleveren van mRNA-therapieën of vaccins aan doelcellen. De voorbereiding en screening van LNP-componenten brengen lange cycli en hoge kosten met zich mee.

In een studie gepubliceerd in Briefings in bio-informaticaheeft een onderzoeksteam onder leiding van prof. Liu Lizhuang van het Shanghai Advanced Research Institute (SARI) van de Chinese Academie van Wetenschappen een deep learning-model voorgesteld met de naam TransLNP, gebaseerd op zelfaandachtsmechanismen, dat de driedimensionale (3D) microstructuur in kaart brengt en biochemische eigenschappen van mRNA-LNP’s om geautomatiseerde screening van LNP’s met hoge precisie mogelijk te maken.

De ontworpen TransLNP maakte gebruik van een automatische leerbenadering over meerdere moleculen om kennis uit bestaande moleculaire gegevens te extraheren, waardoor training van kleine monsters voor LNP’s mogelijk werd en modeloverdracht tussen verschillende molecuultypen werd vergemakkelijkt.

Om de mapping-relatie tussen de 3D-microstructuur en biochemische eigenschappen van mRNA-LNP’s te construeren, maakte het model volledig gebruik van grofkorrelige atomaire sequentie-informatie en fijnkorrelige atomaire ruimtelijke correspondenties. Het extraheerde kenmerken op moleculair niveau door de interactie van atomaire informatie (atoomtypen, coördinaten, relatieve afstandsmatrices, randtypematrices) op basis van een zelfaandachtsmechanisme.

Om de onbalans veroorzaakt door beperkte LNP-gegevens aan te pakken, is de BalMol-module ontworpen. Deze module bracht de gegevens in evenwicht door de distributie van labels en moleculaire kenmerken af ​​te vlakken.

TransLNP behaalde een gemiddelde kwadratische fout (MSE) van minder dan vijf voor het voorspellen van de efficiëntie van LNP-transfectie. Vergeleken met verschillende reguliere convolutionele neurale netwerken en machine learning-algoritmen, vertoonde TransLNP superieure prestaties op het gebied van MSE, R² (hoe groter de waarde, hoe beter) en de Pearson-correlatiecoëfficiënt, waarmee topstatistieken in het veld worden bereikt.

Dit werk is nuttig voor de snelle en nauwkeurige voorspelling van de mRNA-LNP-transfectie-efficiëntie en de voorspelling van nieuwe lipide-nanodeeltjesstructuren, en werpt licht op de toepassing van mRNA-medicijnen bij gentherapie, vaccinontwikkeling en medicijnafgifte.