跳到正文
Nature Communications· Zhen Zhang; Yongbo Ren; Deqiang Kong; Jindong Feng; Kaiyi Hu; Xinyun Xu; Fukang Deng; Peixia Li; Jiuao Wang; Wenhui Huang; Guodan Wei; Yang Su; Ying Tan; Shuixing Zhang; Xiaodan Sun; Feiyu Kang; Hao Yan·· 来源仅提供日期精选AI 评分66

可解释AI指导发现可降解可电离脂质,增强体内肝脏mRNA递送

Interpretable AI-guided discovery of degradable ionizable lipids with enhanced hepatic mRNA delivery in vivo

AI 导读

研究建立可解释AI发现框架,从520个脂质库中筛出先导可电离脂质PA97MD101,并在小鼠中验证其增强肝脏mRNA递送。框架用HeLa细胞的Fluc表达训练XGBoost模型,在10,920个虚拟分子中优先筛选候选,再做体内表型验证。PA97MD101还支持Cre依赖重组和Cas9/sgTtr介导的TTR抑制,其表现与pH依赖膜活性和溶酶体共定位减少相关。

推荐理由

该框架把可降解脂质化学、机器学习筛选与体内验证结合,为AI辅助生物材料发现提供了可迁移流程。

已发表论文 · journal · 10.1038/s41467-026-78635-1

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

IF(5) 18.9 · 2025 · 期刊参考指标

摘要 · AI 翻译

脂质纳米颗粒(LNP)使RNA药物成为可能,但可电离脂质的发现很大程度上仍依赖经验,尤其是当体外活性必须转化为体内功能性肝脏递送时。在此,我们建立了一个可解释的发现框架,将模块化可降解脂质化学、高通量表型分析、机器学习、虚拟库扩展与独立的体内验证相结合,以界定一个可学习的可电离脂质设计空间。我们从一个包含520个成员的库出发,基于HeLa细胞中的萤火虫荧光素酶(Fluc)表达训练XGBoost模型,并利用理化描述符和分子指纹,在包含10,920个成员的虚拟空间中前瞻性地筛选出预测体外转染活性更高的候选物。随后的体内表型分析确定PA97MD101为先导可电离脂质。在小鼠中,PA97MD101增强了肝脏mRNA表达和Cre依赖的重组,并支持Cas9/sgTtr介导的TTR抑制。其性能与pH依赖的膜活性及溶酶体共定位减少相关。这些发现支持对PA97MD101在功能性肝脏RNA递送中的进一步评估。

来源:Nature Communications · doi.org