机器学习驱动发现靶向内质网的Ga(III)配合物,可触发骨肉瘤免疫原性副凋亡
Machine Learning-Driven Discovery of an Endoplasmic Reticulum-Targeting Gallium(III) Complex that Triggers Immunogenic Paraptosis in Osteosarcoma
研究团队构建机器学习驱动的平台,用于设计并筛选能靶向内质网、激活非凋亡性免疫原性细胞死亡的Ga(III)配合物。该平台识别出Ga20,可同时触发副凋亡和免疫原性细胞死亡,并被制成聚合物纳米颗粒Ga NP用于体内递送。Ga NP在多种骨肉瘤模型中表现出显著的肿瘤生长抑制,并产生原位疫苗效应和长期免疫记忆,防止肿瘤复发和转移。
研究给出机器学习筛选靶向内质网Ga(III)配合物的路径,并在多种骨肉瘤模型中评估其抑瘤与免疫记忆效应。
已发表论文 · journal · 10.1021/acsnano.5c20201
本站摘要基于收录版本 v1(2026-11-16),原始摘要与 AI 导读固定保留。
IF(5) 17.0 · 2025 · 期刊参考指标
骨肉瘤是一种高度侵袭性的骨肿瘤,其特征是显著的耐药性和免疫逃逸,导致临床预后不佳。合理设计能够克服这些障碍的金属药物是一项艰巨的挑战,因为传统的发现方法难以预测特定作用机制所需的细胞器特异性靶向。在此,我们介绍了一个机器学习驱动的平台,用于合理设计和鉴定能够激活非凋亡性免疫原性细胞死亡的内质网(ER)靶向 Ga(III) 配合物。该策略鉴定出 Ga20,一种可触发副凋亡和免疫原性细胞死亡(ICD)双重机制的配合物,直接针对骨肉瘤的凋亡耐药性。该纳米药物被制成聚合物纳米颗粒(Ga NP)以实现体内靶向递送,在侵袭性且具有临床相关性的原位、转移、双侧及患者来源异种移植模型中均表现出显著的肿瘤生长抑制作用。关键的是,Ga NP 治疗产生了持久的原位疫苗效应,赋予长期免疫记忆并防止肿瘤复发和转移。这项工作确立了细胞器靶向金属药物计算设计的策略,并提出了一种直接应对骨肉瘤核心临床挑战的强效化学免疫疗法。
来源:ACS Nano · doi.org